Soft Computing Approaches for Thermal Conductivity Estimation of CNT/Water Nanofluid
Notice bibliographique
Résumé
One of the auspicious nanomaterials which has exceptionally enticed researchers is carbon nanotubes (CNTs) as the result of their excellent thermal properties. In this investigation, an experiment was carried out on three kinds of CNTs-nanofluids with various CNTs added to de-ionized water to compared and analyze their thermal conductivity properties. The main purpose of this study was to introduce a combination of experimental and modelling approaches to forecast the amount of thermal conductivity using four different neural networks. Between MLP-ANN, ANFIS, LSSVM, and RBF-ANN Methods, it was found that the LSSVM produced better results with the lowest deviation factor and reflected the most accurate responses between the proposed models. the regression diagram of experimental and estimated values shows an R2 coefficient of 0.9806 and 0.9579 for training and testing sections of the ANFIS method in part a, and in the b, c and d parts of the diagram, coefficients of determination were 0.9893& 0.9967 and 0.9974 & 0.9992 and 0.9996& 0.9989 for training and testing part of MLP-ANN, RBF-ANN and LSSVM models. Also, the effect of different parameters was investigated using a sensitivity analysis method which demonstrates that the temperature is the most affecting parameter on the thermal conductivity with a relevancy factor of 0.66866.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».