文献

J-GLOBAL ID：202102225967541481   整理番号：21A2171810

ナノ流体粘度評価のための機械学習モデルの比較分析【JST・京大機械翻訳】

Comparative Analysis of Machine Learning Models for Nanofluids Viscosity Assessment

著者 (11件)： Shateri Mohammadhadi (Department of Electrical & Computer Engineering, McGill University, Montreal, QC H3A 2K6, Canada) ,  Sobhanigavgani Zeinab (Department of Electrical & Computer Engineering, McGill University, Montreal, QC H3A 2K6, Canada) ,  Alinasab Azin (Department of Electrical & Computer Engineering, McGill University, Montreal, QC H3A 2K6, Canada) ,  Varamesh Amir (Department of Chemical & Petroleum Engineering, University of Calgary, Calgary, AB T2N 1N4, Canada) ,  Hemmati-Sarapardeh Abdolhossein (Department of Petroleum Engineering, Shahid Bahonar University of Kerman, Kerman 7616913439, Iran) ,  Hemmati-Sarapardeh Abdolhossein (College of Construction Engineering, Jilin University, Changchun 130600, China) ,  Mosavi Amir (Faculty of Civil Engineering, Technische Universitaet Dresden, 01069 Dresden, Germany) ,  Mosavi Amir (School of Economics and Business, Norwegian University of Life Sciences, 1430 Ås, Norway) ,  Mosavi Amir (Institute of Automation, Kando Kalman Faculty of Electrical Engineering, Obuda University, 1034 Budapest, Hungary) ,  S Shahab (Institute of Research and Development, Duy Tan University, Da Nang 550000, Vietnam) ,  S Shahab (Future Technology Research Center, College of Future, National Yunlin University of Science and Technology, 123 University Road, Section 3, Douliou, Yunlin 64002, Taiwan)
資料名： Nanomaterials (Web)  (Nanomaterials (Web))
巻： 10  号： 9  ページ： 1767  発行年： 2020年 
JST資料番号： U7252A  ISSN： 2079-4991  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 特定の用途のためのナノ流体の選択プロセスは,粘度のようなナノ流体の熱物理特性の決定を必要とする。しかし,ナノ流体粘度の実験的測定は高価である。粘度を計算するためのいくつかの閉形式公式を,理論的および経験的方法に基づく科学者によって提案したが,これらの方法は不正確な結果をもたらした。最近,委員会機械インテリジェントシステム(CMIS)と呼ばれる7つの基準線の組合せに基づく機械学習モデルを,ナノ流体の粘度を予測するために提案した。CMISを,5つの特徴(温度,ベース流体の粘度,ナノ粒子体積分率,サイズ,密度)に基づく42の異なるナノ流体システムの相対粘度の3144の実験データに適用し,試験の4.036%の平均絶対相対誤差(AARE)を返した。本研究では,2つの多層パーセプトロン(MLP)を含む8つのモデル(CMISで使われる1つと同じデータセット)を,それぞれ,Nesterov加速適応モーメント(Nadam)最適化器;2つのMLP,それぞれ3つの隠れ層とAdamax最適化器;動径基底関数(RBF)カーネルによるサポートベクトル回帰(SVR);ディシジョンツリー(DT);ランダムフォレスト(RF)と余分な木(ET)を含む樹木ベースのアンサンブルモデルを提案した。入力変数の異なる範囲におけるこれらのモデルの性能を評価し,文献で示されたものと比較した。著者らの結果に基づいて,すべての8つの提案されたモデルは,文献で使用されるベースラインを上回って,著者らの提示したモデルのうちの5つは,CMISを上回り,そのうちの2つは,テストデータに関して3%未満のAAREを返した。さらに,モデルの物理的妥当性を,体積分率の変化によるナノ流体粘度の物理的予測傾向を調べることによって研究した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  *粘度 ,  物理的性質 ,  基底流 ,  ディシジョンツリー ,  モーメント ,  多層パーセプトロン ,  *機械学習 ,  ナノ粒子
準シソーラス用語： *ナノ流体 ,  インテリジェントシステム ,  隠れ層 ,  ランダムフォレスト ,  サポートベクトル回帰 , 【Automatic Indexing@JST】

著者キーワード (15件)： ナノ流体粘度 ,  実験データ ,  機械学習 ,  深層学習 ,  ナノ ,  ナノ材料 ,  ナノ流体 ,  人工ニューラルネットワーク ,  データ科学 ,  ビッグデータ ,  アンサンブルモデル ,  人工知能 ,  計算流体力学 ,  材料設計 ,  計算力学

分類 (3件)： 流体論  (BJ01010U) ,  流体動力学一般  (BC02010G) ,  比熱・熱伝導一般  (BL05021E)

引用文献 (91件)：

• Hemmati-Sarapardeh, A.; Varamesh, A.; Husein, M.M.; Karan, K. On the evaluation of the viscosity of nanofluid systems: Modeling and data assessment. Renew. Sustain. Energy Rev. 2018, 81, 313-329.
• Yang, L.; Xu, J.; Du, K.; Zhang, X. Recent developments on viscosity and thermal conductivity of nanofluids. Powder Technol. 2017, 317, 348-369.
• Divandari, H.; Hemmati-Sarapardeh, A.; Schaffie, M.; Ranjbar, M. Integrating functionalized magnetite nanoparticles with low salinity water and surfactant solution: Interfacial tension study. Fuel 2020, 281, 118641.
• Rezaei, A.; Abdollahi, H.; Derikvand, Z.; Hemmati-Sarapardeh, A.; Mosavi, A.; Nabipour, N. Insights into the Effects of Pore Size Distribution on the Flowing Behavior of Carbonate Rocks: Linking a Nano-Based Enhanced Oil Recovery Method to Rock Typing. Nanomaterials 2020, 10, 972.
• Corredor-Rojas, L.M.; Hemmati-Sarapardeh, A.; Husein, M.M.; Dong, M.; Maini, B.B. Rheological behavior of surface modified silica nanoparticles dispersed in partially hydrolyzed polyacrylamide and xanthan gum solutions: Experimental measurements, mechanistic understanding, and model development. Energy Fuels 2018, 32, 10628-10638.

タイトルに関連する用語 (6件)： ナノ流体 ,  粘度 ,  評価 ,  機械学習 ,  モデル ,  比較分析