Detailed experimentation and prediction of thermophysical properties in lauric acid-based nanocomposite phase change material using artificial neural network
Notice bibliographique
Résumé
The thermal conductivity (TC) of a nanocomposite phase change material (NPCM) may be improved by adding nanostructured materials to a Phase Change Material (PCM). To assess the heat transfer rate during the process of phase change, such as melting and freezing, an accurate TC prediction of NPCM is required. A Field Emission Scanning Electron Microscope (FESEM) was utilized to examine the nanoparticle morphological study, and X-Ray Diffraction (XRD) analysis evaluated the crystalline structure. NPCMs were verified using Fourier Transform Infrared Spectroscopy (FTIR). The goal of this research is to create an Artificial Neural Network (ANN) that guesses the TC and viscosity of Lauric Acid (LA) embedded with dispersed copper oxide (CuO) and aluminium oxide (Al2O3). A multi-layered feed-forward ANN (MLFFANN) is trained using the Levenberg-Marquardt (LM) backpropagation algorithm. There are 130 experimental datasets in total, obtained from experiments with nanoparticle mass fractions ranging from 1.25 to 10 wt%. The minimum mean square error (MSE) for TC and viscosity is 4.6815 × 10−5 and 2.4681 × 10−5, respectively. The average absolute deviation (AAD) for TC and viscosity is 0.004249 and 0.003596, respectively, while the mean absolute percentage error (MAPE) is 2.1835 % and 4.8197 % for TC and viscosity, and the correlation coefficients(R) are 0.992 and 0.975, respectively. The largest percentage variation between experimental values and ANN computed values for the liquid and solid phases, respectively, is 3.54 % and 0.832 %. It demonstrates that the constructed ANN prediction model predicts the increased TC and viscosity of NPCM for different nanoparticle loadings, temperatures, and oxide nanoparticles.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».