DOI: https://doi.org/10.1038/s41598-025-85236-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39814861
تاريخ النشر: 2025-01-14
المؤلف: Tao Hai وآخرون
الموضوع الرئيسي: تدفق النانوسوائل وانتقال الحرارة
نظرة عامة
تبحث هذه الدراسة في تحسين الخصائص الحرارية الفيزيائية للسوائل النانوية الهجينة الثلاثية (THNFs) لتعزيز أدائها، مع التركيز على تقليل اللزوجة الديناميكية (DV) وزيادة الموصلية الحرارية (TC). تم اقتراح استراتيجية هجينة للذكاء الحسابي، تدمج بين التعلم الآلي، والتحسين متعدد الأهداف (MOO)، وتقنيات اتخاذ القرار متعددة المعايير (MCDM). تستخدم الدراسة ثلاث طرق للتعلم الآلي—شبكة عصبية من نوع GMDH، وبرمجة التعبير الجيني، وخوارزمية تجمع—لنمذجة DV و TC بناءً على نسب الحجم المتغيرة (VF)، ودرجات الحرارة، ونسب خلط المواد النانوية. يتم إجراء التحسين باستخدام خوارزمية تحسين سرب الجسيمات متعددة الأهداف (MOPSO)، تليها تطبيق طريقة TOPSIS لتحديد نقاط التصميم المثلى من جبهة باريتو.
تظهر النتائج الرئيسية أن الخوارزمية التراكمية تفوقت على غيرها في دقة النمذجة، حيث حققت معامل ارتباط (R) بين 0.99964 و 0.99993. أشارت نتائج التحسين إلى نطاق واسع من VFs المثلى عبر جميع نسب الخلط، مع درجات حرارة مثلى قريبة باستمرار من 65 °C. ومن الجدير بالذكر أن نسبة الخلط ظلت ثابتة عبر سيناريوهات التصميم، بينما كانت VF هي العامل المميز الرئيسي. تختتم الدراسة بأن فهم الخصائص الحرارية الفيزيائية لـ THNFs أمر ضروري لتطبيقها في مختلف القطاعات، وتقترح اتجاهات بحث مستقبلية، بما في ذلك استكشاف خوارزميات حسابية متقدمة وتركيبات جديدة من المواد النانوية لتعزيز أداء السوائل النانوية بشكل أكبر.
طرق
في هذا القسم، يقدم المؤلفون نظرة شاملة على مختلف المنهجيات المستخدمة في تحسين الخصائص الحرارية الفيزيائية (TPPs) للسوائل النانوية الهجينة الثلاثية (THNFs). يبرزون فعالية خوارزميات التعلم الآلي (ML)، وخاصة خوارزمية COMBI والشبكات العصبية متعددة الطبقات (MLPNN)، في التنبؤ بدقة بالموصلية الحرارية (TC) واللزوجة الديناميكية (DV). ومن الجدير بالذكر أن خوارزمية COMBI حققت قيمة R² مثيرة للإعجاب تبلغ 0.9995، بينما أظهرت نماذج أخرى، بما في ذلك تلك التي طورها إبراهيم وآخرون وإسفي وآخرون، أيضًا دقة عالية بقيم R² تتراوح من 0.9449 إلى 0.998.
يؤكد المؤلفون على أهمية تقنيات التحسين متعدد الأهداف (MOO) وتقنيات اتخاذ القرار متعددة المعايير (MCDM) في تعزيز تصميم THNFs. يقدمون إطار عمل جديد قائم على الذكاء الحسابي (CI) يدمج هذه المنهجيات لمعالجة الفجوات الموجودة في تحسين السوائل النانوية الثلاثية. يركز هذا الإطار ليس فقط على تحسين المعلمات الرئيسية مثل نسبة الحجم، ودرجة الحرارة، ونسبة خلط المواد النانوية، ولكن أيضًا يستخدم تقنيات نمذجة أقل استكشافًا مثل برمجة التعبير الجيني (GEP) لالتقاط العلاقات غير الخطية المعقدة. علاوة على ذلك، تم اقتراح نظام وزن فريد لسيناريوهات التصميم، مما يتيح تخصيص عملية التحسين لتطبيقات محددة، وبالتالي تعزيز الصلة العملية للبحث في مجالات مثل المبادلات الحرارية وتقنيات الطاقة الشمسية.
نتائج
يقدم قسم النتائج من ورقة البحث تقييمًا شاملاً لأداء مختلف خوارزميات التعلم الآلي (ML)—تحديدًا GMDH و GEP و COMBI—في التنبؤ باللزوجة الديناميكية (DV) والموصلية الحرارية (TC) عبر نسب الخلط المختلفة (MRs). تستخدم التحليل معايير إحصائية، ومخططات MOD، وتمثيلات رسومية مثل مخططات العنكبوت ومخططات الكمان لتقييم فعالية النموذج. تشير الجدول 4 إلى أن جميع الخوارزميات الثلاثة تحقق نتائج مرضية بسبب اختيار المعلمات الفائقة المثلى وبنية النموذج، حيث تظهر خوارزمية COMBI أداءً متفوقًا، خاصة في MRs 111 و 121. تؤكد نتائج مرحلة الاختبار هيمنة COMBI، كما هو موضح في الشكل 5، بينما يتفوق GEP على GMDH في MR 111، ويتفوق GMDH في MRs 112 و 211.
يكشف التحليل الإضافي من خلال مخططات MOD (الشكل 6) عن الأخطاء النسبية (RE) للقيم المتوقعة، مما يؤكد قرب COMBI من خط الخطأ الصفري عبر جميع MRs، مما يدل على قوتها في التنبؤ. تشير النتائج إلى أنه بينما تظهر GMDH و GEP أداءً متباينًا عبر MRs المختلفة، فإن COMBI تتفوق باستمرار عليهما في كل من مراحل التدريب والاختبار. بالإضافة إلى ذلك، تسلط النتائج المثلى لباريتو الضوء على التوازن بين زيادة TC وتقليل DV، مع تحديد نقاط مثلى محددة لكل MR. هذه الرؤى ضرورية للتطبيقات العملية، خاصة في البيئات الصناعية حيث يكون التوازن بين الموصلية الحرارية واللزوجة أمرًا أساسيًا لديناميات السوائل الفعالة في أنظمة مثل المبادلات الحرارية والتبريد الإلكتروني.
مناقشة
تتضمن الاستراتيجية المقترحة القائمة على الذكاء الحسابي الهجين (CI) لتحسين الخصائص الحرارية الفيزيائية للسوائل النانوية الهجينة الثلاثية عملية من أربع خطوات. في البداية، يتم إجراء تحليل شامل للبيانات لاستخراج المراجع، وتقييم توزيع البيانات، وتقييم العلاقات بين المتغيرات المدخلة والنتائج. تستخدم الخطوة الثانية ثلاث تقنيات للتعلم الآلي—الشبكات العصبية الاصطناعية من نوع GMDH، وبرمجة التعبير الجيني (GEP)، وCOMBI—لنمذجة اللزوجة الديناميكية (DV) والموصلية الحرارية (TC) بناءً على المتغيرات المدخلة. تستخدم الخطوة الثالثة خوارزمية تحسين سرب الجسيمات متعددة الأهداف (MOPSO) لتحسين النماذج ذات الأداء العالي المحددة لكل معلمة أداء حراري (TPP). أخيرًا، يتم تطبيق طريقة تقنية ترتيب التفضيل حسب التشابه مع الحل المثالي (TOPSIS) لاختيار النقاط المثلى من جبهة باريتو، مما يسمح باتخاذ القرار بناءً على أهمية كل هدف.
استخدم تحليل البيانات نتائج تجريبية من دراسات سابقة، مع التركيز على DV و TC للسوائل النانوية الهجينة الثلاثية التي تتكون من زيت هيدروليكي ومواد نانوية مختلفة. كشف التحليل عن تباين كبير في DV و TC عبر نسب الخلط المختلفة، حيث تؤثر درجة الحرارة ونسبة الحجم (VF) على هذه الخصائص. ومن الجدير بالذكر أن DV عرضت نطاقًا من 67.086 mPa.s إلى 1674.3 mPa.s، بينما تراوحت TC من 0.1063 W/m·K إلى 0.169 W/m·K. أشار تحليل الارتباط إلى أن درجة الحرارة ترتبط سلبًا مع DV، بينما ترتبط VF إيجابيًا مع كل من DV و TC. أظهرت مرحلة نمذجة التعلم الآلي فعالية GMDH-NN و GEP و COMBI في التقاط العلاقات المعقدة بين المتغيرات المدخلة والخصائص الحرارية الفيزيائية، حيث أظهرت خوارزمية COMBI دقة تنبؤية متفوقة. بشكل عام، تقدم الاستراتيجية المقترحة نهجًا منظمًا لتحسين خصائص السوائل النانوية، مع نتائج ومناقشات مفصلة ستتبع في الأقسام اللاحقة.
DOI: https://doi.org/10.1038/s41598-025-85236-3
PMID: https://pubmed.ncbi.nlm.nih.gov/39814861
Publication Date: 2025-01-14
Author(s): Tao Hai et al.
Primary Topic: Nanofluid Flow and Heat Transfer
Overview
This research investigates the optimization of thermophysical properties of ternary hybrid nanofluids (THNFs) to enhance their performance, focusing on minimizing dynamic viscosity (DV) and maximizing thermal conductivity (TC). A hybrid computational intelligence strategy is proposed, integrating machine learning, multi-objective optimization (MOO), and multi-criteria decision-making (MCDM) techniques. The study employs three machine learning methods—GMDH-type neural network, gene expression programming, and a combinatorial algorithm—to model DV and TC based on varying volume fractions (VF), temperatures, and nanomaterial mixing ratios. The optimization is conducted using the multi-objective particle swarm optimization (MOPSO) algorithm, followed by the application of the TOPSIS method to identify optimal design points from the Pareto front.
Key findings reveal that the combinatorial algorithm outperformed others in modeling accuracy, achieving a correlation coefficient (R) between 0.99964 and 0.99993. The optimization results indicated a broad range of optimal VFs across all mixing ratios, with optimal temperatures consistently near 65 °C. Notably, the mixing ratio remained constant across design scenarios, while VF was the primary differentiating factor. The study concludes that understanding the thermophysical characteristics of THNFs is essential for their application in various sectors, and suggests future research directions, including the exploration of advanced computational algorithms and novel nanomaterial combinations to further enhance nanofluid performance.
Methods
In this section, the authors present a comprehensive overview of various methodologies employed in the optimization of thermophysical properties (TPPs) of ternary hybrid nanofluids (THNFs). They highlight the effectiveness of machine learning (ML) algorithms, particularly the COMBI algorithm and multilayer perceptron neural networks (MLPNN), in accurately predicting thermal conductivity (TC) and dynamic viscosity (DV). Notably, the COMBI algorithm achieved an impressive R² value of 0.9995, while other models, including those developed by Ibrahim et al. and Esfe et al., also demonstrated high accuracy with R² values ranging from 0.9449 to 0.998.
The authors emphasize the significance of multi-objective optimization (MOO) and multi-criteria decision-making (MCDM) techniques in advancing the design of THNFs. They introduce a novel computational intelligence (CI)-based framework that integrates these methodologies to address existing gaps in the optimization of ternary nanofluids. This framework not only focuses on optimizing key parameters such as volume fraction, temperature, and nanomaterial mixing ratio but also employs less-explored modeling techniques like gene expression programming (GEP) to capture complex non-linear relationships. Furthermore, a unique weighting system for design scenarios is proposed, enabling customization of the optimization process for specific applications, thereby enhancing the practical relevance of the research in fields such as heat exchangers and solar energy technologies.
Results
The results section of the research paper presents a comprehensive evaluation of the performance of various machine learning (ML) algorithms—specifically GMDH, GEP, and COMBI—in predicting dynamic viscosity (DV) and thermal conductivity (TC) across different mixing ratios (MRs). The analysis employs statistical criteria, MOD diagrams, and graphical representations such as spider plots and violin plots to assess model effectiveness. Table 4 indicates that all three algorithms yield satisfactory outcomes due to optimal hyper-parameter selection and model structure, with the COMBI algorithm demonstrating superior performance, particularly in MRs 111 and 121. The testing phase results affirm COMBI’s dominance, as illustrated in Figure 5, while GEP outperforms GMDH in MR 111, and GMDH excels in MRs 112 and 211.
Further analysis through MOD diagrams (Figure 6) reveals the relative errors (RE) of predicted values, confirming COMBI’s closer alignment to the zero-error line across all MRs, indicating its robustness in prediction. The findings suggest that while GMDH and GEP exhibit varying performance across different MRs, COMBI consistently outperforms them in both training and testing phases. Additionally, the Pareto optimal results highlight the trade-offs between maximizing TC and minimizing DV, with specific optimal points identified for each MR. These insights are crucial for practical applications, particularly in industrial settings where the balance between thermal conductivity and viscosity is essential for efficient fluid dynamics in systems such as heat exchangers and electronic cooling.
Discussion
The proposed hybrid computational intelligence (CI)-based strategy for optimizing the thermophysical properties of ternary hybrid nanofluids involves a four-step process. Initially, comprehensive data analysis is conducted to extract references, assess data distribution, and evaluate correlations between input and output variables. The second step employs three machine learning techniques—GMDH-type artificial neural networks (ANN), Gene Expression Programming (GEP), and COMBI—to model dynamic viscosity (DV) and thermal conductivity (TC) based on input variables. The third step utilizes the multi-objective particle swarm optimization (MOPSO) algorithm to optimize the high-performing models identified for each thermal performance parameter (TPP). Finally, the Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS) method is applied to select optimal points from the Pareto front, allowing for decision-making based on the importance of each objective.
The data analysis utilized experimental results from previous studies, focusing on the DV and TC of ternary hybrid nanofluids comprising hydraulic oil and various nanomaterials. The analysis revealed significant variability in DV and TC across different mixing ratios, with temperature and volume fraction (VF) influencing these properties. Notably, DV exhibited a range from 67.086 mPa.s to 1674.3 mPa.s, while TC ranged from 0.1063 W/m·K to 0.169 W/m·K. Correlation analysis indicated that temperature negatively correlates with DV, while VF positively correlates with both DV and TC. The machine learning modeling phase demonstrated the effectiveness of GMDH-NN, GEP, and COMBI in capturing the complex relationships between input variables and thermophysical properties, with the COMBI algorithm showing superior predictive accuracy. Overall, the proposed strategy offers a structured approach to optimizing nanofluid properties, with detailed results and discussions to follow in subsequent sections.