Accurate prediction of the rheological behavior of MWCNT-Al2O3/water-ethylene glycol nanofluid with metaheuristic-optimized machine learning models
Notice bibliographique
Résumé
The accurate prediction of the rheological properties of nanofluids is critical for optimizing their application in various industrial systems. This study focuses on the dynamic viscosity prediction of MWCNT-Al 2 O 3 /water (80 %) and ethylene glycol (20 %) hybrid nanofluid using machine learning approaches. A multilayer perceptron neural network (MLPNN) was employed for viscosity prediction, and its structural and training parameters, including the number of hidden layers and neurons, learning rate, training technique, and transfer functions, were optimized using three metaheuristic algorithms: Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Marine Predators Algorithm (MPA). A dataset containing viscosity measurements influenced by nanoparticle volume fraction (VF), temperature (T), and shear rate (SR) was utilized. The optimization algorithms were evaluated over 10 and 20 runs for single-hidden-layer (1HL) and double-hidden-layer (2HL) MLPNNs, respectively. For the 1HL-MLPNN models, all three algorithms achieved nearly identical performance with high predictive accuracy (R = 0.99992, MSE = 0.00176). In contrast, for 2HL-MLPNN models, PSO outperformed MPA and GA with R = 0.99995 and MSE = 0.00105, followed by MPA (R = 0.99995, MSE = 0.00123) and GA (R = 0.99992, MSE = 0.00160). Also, sensitivity analysis revealed the VF as the most significant input parameter affecting viscosity predictions, followed by shear rate and temperature. These findings demonstrate the potential of metaheuristic-optimized MLPNNs for high-accuracy prediction of hybrid nanofluid rheological properties, facilitating improved design and application in thermal management systems.
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) | 0,000 | 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 | 0,001 | 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 ».