پیش‌بینی دقیق شاخص ناسلت در مبدل‌های حرارتی صفحه‌ای با استفاده از یادگیری ماشین: یک مطالعه مقایسه‌ای جامع

علوی, سید احسان; موری شیربانی, میثم; چاچی, جلال

doi:10.22034/jr_iss.2024.731525

پیش‌بینی دقیق شاخص ناسلت در مبدل‌های حرارتی صفحه‌ای با استفاده از یادگیری ماشین: یک مطالعه مقایسه‌ای جامع

نوع مقاله : مقاله پژوهشی

نویسندگان

سید احسان علوی ¹

میثم موری شیربانی ¹

جلال چاچی ²

¹ دانشکده مهندسی، دانشگاه شهید چمران اهواز، پردیس صنعتی شهدای هویزه، دشت آزادگان، ایران

² گروه آمار، دانشکده علوم ریاضی و کامپیوتر، دانشگاه شهید چمران اهواز

10.22034/jr_iss.2024.731525

چکیده

در این پژوهش، از الگوریتم‌های یادگیری ماشین و روش‌های یادگیری آماری شامل رگرسیون خطی، رگرسیون خطی ساده، رگرسیون افزایشی، قواعد $M_5$ و فرآیند گاوسی برای پیش‌بینی عدد ناسلت در مبدل‌های حرارتی صفحه‌ای استفاده شد. یک پایگاه داده جامع متشکل از داده‌های تجربی از منابع مختلف گردآوری و به کار گرفته شد. پارامترهای ورودی شامل زاویه شِروان، نسبت ابعادی پروفیل موج‌دار، ضریب بزرگنمایی سطح و عدد رینولدز بودند و عدد ناسلت به عنوان متغیر خروجی در نظر گرفته شد. نتایج حاکی از دقت بالای مدل‌های به کار رفته بود، به‌طوری‌که در داده‌های آموزشی، بالاترین ضریب همبستگی توسط روش قواعد $M_5$ و رگرسیون افزایشی به دست آمد. این روش همچنین در داده‌های آزمایشی با بیشترین ضریب همبستگی و کمترین خطا، به عنوان دقیق‌ترین مدل شناسایی شد. مقادیر خطای مطلق میانگین و ریشه میانگین مربعات خطا برای این مدل در داده‌های آزمایشی در پایین‌ترین سطح محاسبه گردید. یافته‌های این مطالعه نشان می‌دهد که روش قواعد $M_5$ نه تنها از دقت پیش‌بینی بسیار بالایی برخوردار است، بلکه به دلیل ساختار شفاف و قابلیت تفسیرپذیری، ابزاری قابل اعتماد برای مدل‌سازی پدیده‌های انتقال حرارت در مبدل‌های حرارتی صفحه‌ای در طیف وسیعی از شرایط عملیاتی به شمار می‌رود.

موضوعات