عنوان

تخمین پارامتری خواص ترموفیزیکی مواد در مسائل انتقال حرارت وارون با استفاده از روش شبکه‌صهای عصبی مصنوعی

Number

‭۵۶۶۳پ‬

.Language of Text, Soundtrack etc

per

Title Proper

تخمین پارامتری خواص ترموفیزیکی مواد در مسائل انتقال حرارت وارون با استفاده از روش شبکه‌صهای عصبی مصنوعی

First Statement of Responsibility

/قاسم خبازیان

Name of Publisher, Distributor, etc.

: فنی و مهندسی مکانیک

Specific Material Designation and Extent of Item

‮‭۱۱۲‬ص‬

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مکانیک- تبدیل انرژی

Date of degree

‮‭۱۳۸۸/۰۷/۲۵‬

Body granting the degree

تبریز

Text of Note

در این پایان نامه شبکه های عصبی مصنوعی برای تخمین ضریب هدایت حرارتی، به عنوان یکی از خواص ترموفیزیکی، در مسائل هدایت حرارتی استفاده شده است .در انتقال حرارت هدایتی دو نوع مسأله وجود دارد :مسأله مستقیم و مسأله وارون .هدف اصلی مسأله مستقیم عبارت است از محاسبه میدان دمایی در ماده هنگامی که تمامی خصوصیات مشخصه اعم از شرایط مرزی، شرط اولیه و خواص ترموفیزیکی ماده معلوم باشند .در حالی که هدف مسأله وارون تخمین یک یا چند مورد از خصوصیات مشخصه فوق الذکر، با معلوم بودن دماهای اندازه گیری شده در یک یا چند نقطه از ماده است .روشهای سنتی برای بدست آوردن خواص ترموفیزیکی، دشوار، زمان بر و در گاهی موارد غیر ممکن می باشد .روش مسائل انتقال حرارت وارون راهی موثر برای غلبه بر این مشکلات است .در این پایان نامه سه حالت برای ضریب هدایت حرارتی در نظر گرفته شده است :ضریب هدایت ثابت، ضریب هدایت وابسته به دما) حالت تغییرات خطی با دما (و وابسته به جهت) در یک ماده ارتوتروپیک .(شبکه عصبی پیش خور با الگوریتم پس انتشار خطای لونبرگ- مارکواردت برای تخمین پارامتری ضرایب هدایت حرارتی در مسائل هدایت حرارت وارون بکاررفته اند .اندازه گیری های شبیه سازی شده با و بدون نویزهای آزمایشگاهی بمنظور تولید داده برای آموزش شبکه ها مورد استفاده قرار گرفته اند .مقایسه نتایج حاصل با نتایج موجود در ادبیات فن نشان می دهد که شبکه های عصبی بخوبی قادر به حل مسائل وارون و تخمین خواص ترموفیزیکی در آنها می باشند .بیشترین خطا در حالت دماهای بدون نویز ‮‭۵/۴‬ در صد و با در نظر گرفتن نویز ‮‭۰۵/۱۶‬ درصد است.

Text of Note

In this thesis, artificial neural networks (ANNs) are used for the estimation of thermal conductivity, as an example of thermo-physical properties, in inverse heat conduction problems (IHCPs). There are two kinds of problems in heat conduction: direct and inverse problems; the main objective of the direct problem is to recover the temperature field T(x,t) in the solid, when all the causal characteristics, i.e., boundary conditions, initial condition, thermo-physical properties of the material and energy generation term, are specified. On the other hand, the objective of the inverse problem is to estimate one or more of such causal characteristics from the knowledge of the measured temperature histories at some special points within the material. Conventional measurement methods for determination of the thermal conductivity are difficult, time-consuming effort and in some situations impossible, especially when it is not a constant value. IHCPs method is an effective way to overcome such difficulties. In this work three scenarios are considered for conductivity: constant, temperature dependent (in a linear manner), and direction dependent (in an orthotropic solid). Feed-forward neural network with Levenberg-Marquardt back-propagation learning algorithm is used for parameter estimation of thermal conductivity in IHCPs.simulated measurements containing experimental noises are used to training data generation. Comparing the results obtained by ANNs with those available in the literature shows very good ability of ANNs in solving IHCPs. Maximum error is 4.9 . The results also show that ANNs are able to deal with noises of measurements. Limitation of the proposed method is to have prior information about the order of magnitude of thermal conductivities' values in order to generate reasonable training data.

Thermo-physical property

inverse heat transfer problems

artificial neural networks

خبازیان، قاسم

طلعتی، فرامرز، استادراهنما

وکیل باغمیشه، محمدتقی، استادمشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی