基于人工神经网络的MWCNT-CuO/Oil 10 W 40纳米润滑油粘度预测

埃及信息学杂志24（2023）117MWCNT-CuO/Oil 10 W 40纳米润滑油Mohammad Hemmat Esfea，Davood Toghraieb，Mohammed，Fatemeh Amoozadkhalilia，Soheyl Alidousta，c伊朗伊斯法罕纳米流体高级研究小组b伊朗霍梅尼沙赫尔伊斯兰阿扎德大学霍梅尼沙赫尔分校机械工程系c伊朗达姆汉达姆汉大学化学学院阿提奇莱因福奥文章历史记录：收到2022年2022年12月3日修订2022年12月10日接受2022年12月21日在线提供关键词：动态粘度纳米润滑剂相关性安A B S T R A C T人工神经网络（ANN）是预测实验室数据的最佳模型之一，由于其高精度，这种设计可以替代频繁和昂贵的测试。利用实验数据，采用人工神经网络对MWCNT-CuO（10-90）/Oil10 W 40纳米润滑油的粘度（lnf）进行了lnf 测量单位为u1/4SV F=（0.05-1%，温度范围T=5至5 5°C的 ANN 。 为 了 检 验 人 工 神 经 网 络 预 测 数 据 的 精 度 ， 使 用 了 均 方 误 差 （ MSE ） 、 回 归 系 数 和 偏 差 幅 度（MOD）。从400个人工神经网络样本中选择了MWCNT-CuO（10：90）/Oil 10 W 40纳米润滑剂的最佳结构，其具有两个隐含层和4个和8个神经元的数量，以及tansig和logsig传递函数。ANN模型是固体体积分数（SVF或u）、温度（T）和剪切速率（SR），并且ANN的输出是lnf. 比较表明，人工神经网络计算的实验室数据更准确。©2023 The Bottoms.由Elsevier BV代表开罗大学计算机和人工智能学院出版 这是CCBY许可下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）。1. 介绍当今在纳米领域进行了广泛的研究，使得该领域的各个领域的大多数研究人员，例如纳米流体（NF）、纳米粉末、纳米纤维、纳米复合材料等，进行了大量的研究[1纳米科学应用于各种科学领域，其中最重要的领域之一是流体和传热领域因为自古以来，流体就被用于润滑、传热、泵送等各种应用中以数值、分析和实验的方式对它们进行了测试[13-此外，还进行了广泛的研究，以调查和提高传热系数，并改善各种工艺和工业中的粘度[18]。1995年，为提高*通讯作者。电子邮件地址：davoodtoghraie@iaukhsh.ac.ir（D. Toghraie）。开罗大学计算机和信息系负责同行审查。制作和主办：Elsevier为了提高基础流体（BF）的电导率，提出了在BF中使用纳米颗粒（NP）的想法[19]。与毫米和微米范围内的颗粒相比，分散在复合材料或流体中的NP保持高得多的表面积与体积比。因此，机械和物理性能随着表面积的增加而增加[20由于纳米流体（NF）被认为是NP（小于100 nm）在BF中的悬浮液，因此在悬浮的NP的表面上发生热传递。另一方面，许多研究人员试图使用这种方法来显着提高BF的热物理性能[23]。流体性质的增加最终导致设备尺寸的减小、工业单位成本的降低和更高的能源效率[24为此，科学家们一直试图产生新的NF并确定影响热物理性质的因素lnf和knf可以影响NF应用。各种实验研究显示将更多的NP添加到BF可以增加lnf和knf[28- 29]。29]。此外，可以增加knf的重要参数之一是增加温度[30各种研究表明，温度和SVF的变化也会影响lnf。任何项目-温度升高可降低LNF。然而，增加NP可以增加lnf[35 -39 ]。在调查这些人的特征时提出了预测神经纤维行为的方程。这些方程对实验室研究更有意义https://doi.org/10.1016/j.eij.2022.12.0061110-8665/©2023 THE COURORS.由Elsevier BV代表开罗大学计算机和人工智能学院出版。这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comM. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117118-¼实用. 表1列出了导致新经验方程的研究。图1.一、十多年来，使用人工智能来模拟系统的行为受到了广泛的关注（见图1）。 2）。结果表明，与经典方法相比，该方法具有较高另一方面，近年来，这种方法越来越多地用于模拟NF的行为和热物理性质[44]。Esfe等人[45]使用ANN估计MWCNT-MgO（25：75）/SAE 40 NF在不同参数（T、SVF和SR）下的实验室结果。神经网络采用LM算法的MLP方法在不同的结构中，选出了第一层和第二层分别为5个和8个神经元的最优结构，网格数据集的MOD在1%MOD+1%范围内它显示出很高的准确性和很强的数据预测能力。研究NF的研究人员试图通过设计具有不同算法的ANN来预测kNF或lNF。在这种类型的建模中，可以研究不同因素的影响，例如SVF、温度、粒度、knf、BF类型、NP及其密度表2显示了对NF建模的一些研究通过提高油的粘度来提高油的质量是科学家的主要关注点之一 如前所述，将NP添加到BF可以满足这一需求。lnf的预测 是其中一流体研究的各个方面。一般来说，流体的流变行为可分为两类：牛顿流体和非牛顿流体。如果SR与剪切应力之间存在线性关系，则流体是牛顿流体，但是如果SR与剪切应力之间不存在线性关系，则流体具有非牛顿流体[50在乙二醇/ZrO2 NF的研究中，Goharshadi等人[56]表明，在SVF= 0.01%、0.02%和0.04%时，NF在T = 25至45 °C时显示出牛顿行为。然而，在SR70-埃斯费等人[57]测量了MWCNT-MgO/水-EG NF在七种SVF中的k nf，从0.015到0.96%，T = 30到50 °C。k-nf数据的成本效益评估表明，混合nf比单核细胞核因子更好在银/油纳米纤维的研究中，Aberou m and etal.[58]第58话 的Ag/油NF。测量在SVF= 0.12%至0.72%和T = 25-60 °C下的lnf。结果表明，随着SVF的增加，NF的行为从牛顿转向非牛顿。此外，NF在T 35°C下分别具有非牛顿和牛顿行为几项研究表明，利用碳纳米管，即使是少量的，也可以有一个重要的影响NF的热物理性能。Hemmat Esfe研究小组[59在混合NF领域进行了大量研究，是该领域的先驱团体多壁碳纳米管-TiO_2/10 W_（40）纳米纤维的lnf比较表1纳米纤维热物理性质预测的研究参考文献NPs BF实验目的结论[40]提高太阳能系统效率的RSM和CFD结果之间的差异为2.1%[41]DWCNT水的热性能改进热性能的最大系数在u1/40. 365。[42]SWCNT EGlnf关联式与实验结果重叠或有小偏差[43]SiO2生物乙二醇/水lnf相关性，最大偏差为3%，用于估计Fig. 1. NF的应用M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117119图二. 利用人工智能对流体行为进行建模。图三. ANN的拓扑结构表3前4个ANN示例的参数。候选拓扑编号结构功能1功能2R火车Val测试1[3 5]坦西希洛格西格0.99994220.99994410.99995160.99993892[3 8]洛格西格坦西希0.99996480.99997540.99993830.99990283[4 6]坦西希洛格西格0.99996560.99997530.99998070.99991244[4 8]坦西希洛格西格0.99997440.99998590.99987090.9999098M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117120表2利用人工智能技术对纳米纤维性能进行建模预测的研究。错误安拓扑安输出人工神经网络输入数量的数据NFS参考文献R2、RMSE和总AARD%分别为0.99996和0.0089，3-4-3lnfSVF，T，lbf，qnp，1490不同的NP[46个]0.2在LNF估计中，分别。MSE = 4.73×10- 4AARD= 1.27%NP大小和BFR2 = 0.971875 3-RMSE = 1.109×10-4MAPE = 3.717% SSE=1.55×10- 6R2 = 0.995 5-399 Al2 O3/水[48]民主党RMSE = 5.824×10- 5MAPE = 1.489% SSE= 1.889×10- 7R2 = 0.9998 5-民主党140 CuO/水[49]见图4。 隐层神经元的回归。M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117121图五.隐含层神经元的MSE。进行不同百分比（10- 90%和45- 55%）的NF，T = 15-55 °C和SVF =0.25- 1%。SR参数被认为是评估lnf。在所有类型的NF中，NF 随着温度的升高而减小约80%。此外，实验结果表明，增加碳纳米管的百分比对纳米管的生长具有显著影响。NF的非牛顿行为，并且CNT百分比的这种增加了NF的剪切稀化行为在本研究中，使用优化的人工神经网络来准确地估计lnf MWCNT-CuO（10%-90%）/10 W 40 NF在不同条件（温度、SVF和SR）下的降解。所选结构在测量和评估每层中的中子数和激活函数之后选择Ture。根据作者的说法，没有研究对lnf进行建模 的MWCNT-CuO（10%-90%）/10 W 40NF。此外，为了提高数据的准确性，估计，不同的结构进行了研究，在神经网络的设计和最优结构的选择。2. 关于ANN人工神经网络是人工智能的重要分支之一，它具有学习多组数据之间关系的能力，并且可以存储类似情况下的每一组数据。[61人工神经网络所提出的数据具有较高的精度和性能。人工神经网络建模在各个科学领域有着广泛的应用，见图6。用实验室数据评价所提出的ANN模型数据。M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117122见图7。 建议的人工神经网络数据与实验室数据之间的比较。其中包括医学、天文学和制药学。[63近年来，人工神经网络被用来估计复杂的问题。这些网络被训练来预测纳米材料的流变特性。一些研究人员使用人工神经网络来预测纳米流体的行为近年来研究人员在他们的研究中使用这种有效的工具，因为ANN能够估计lnf [65-66 ]。总结过去的研究表明，仍然没有准确的理论来确定lnf，并且使用现有的经典模型来计算NFs，这些模型并不十分精确。准确MLP是最重要的神经网络模型之一。[67神经网络中神经元的激活位置由激活函数决定。[70，71]。3. 实验室数据和ANN训练在目前的工作中，采用MLP-ANN算法，通过人工神经网络对实验数据进行建模，计算了混合纳米润滑剂的摩擦系数。 为此，lnf的实验室数据包括用于ANN建模过程的174个数据。将神经网络的输入分为温度、SR和SV F三种，神经网络的输出为lnf。 Sigmoid激活函数用于该建模的每一层。每个函数都是tan-sigmoid和log-sigmoid。然后从上面的网络结构集合中选择所选的结构，每个网络结构中有4个和8个低能层.在建模的每一部分中，每个神经元的数量和隐层的激活函数被设置为定义最优的ANN结构。人工神经网络的输入数据分为培训、验证和测试的三个集合。在174个实验性NF数据中，70%的数据在训练阶段进行评价从400个调查样本中最先预测lnf的样本绘制在图中。 3. 为了分析和检查ANN的性能，表1中报告了不同阶段的回归系数。根据表1，R的最高值属于第四结构，其在每个隐藏层中具有4个和8个神经元，并且等于0.9999744。在表中，在不同的网络结构中，给出了4种最佳结构。4. 结果和讨论在基于ANN中的神经元和隐层的数量在不同的网络结构中定义最优结构之后，有必要分析和检查所提出的数据的性能不同步骤的回归（R）系数绘制在4个单独的部分中。回归系数接近1，表明该模型具有较高的精度。如图4所示，数据集的R大于0.999。在本节中，结果M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117123见图8。人工神经网络与实验数据的比较。M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117124NN相对经雷普雷见图9。 计算的误差值。R的影响系数大于其他系数，R的影响系数为0.9999744，属于第四结构。在这一部分的研究中，不同阶段的人工神经网络的准确性和适当的性能进行了评估，介绍了最好的人工神经网络模型选择的MSE标准。MSE是根据Eq. 1之间的关系。如图5所示，训练阶段中的MSE低于其他阶段。基于等式1、MSE值是0.433182095MSE 1/4x1/2j1/1-lj在图6中，实验室数据的结果用不同阶段的建议ANN数据进行评估。如图6所示，建议的数据和实验数据之间有很好的匹配。这表明与其他数据相比，ANN数据的准确性很高。图 7比较了不同阶段的人工神经网络结果，使用人工神经网络技术在不同SVF下收集实验数据。根据图7，可以看到在由ANN提出的所有数据与实验数据之间具有良好的同质性，这表明ANN模型的提出数据与实际数据的适当性能和正确性见图10。直方图。2M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117125---¼lExp见图11。 MOD图。在图8中，分别绘制并比较了SVF= 0.05% 1%的不同温度范围内的实验室数据和ANN数据。根据图8，观察到在低温如T =25o C下，数据之间没有很好的一致性，但随着温度的升高，所提出的ANN数据与实验数据的一致性增加，这表明所提出的数据的高精度和准确性，谈话数据可以估计LNF最大误差小于5%。MOD的概念用于更好地理解偏差从ANN建模输出的实际值的数据。该值由Eq. （二）、所有数据和测试数据的最大MOD在小于15%的范围内，这表明正确的来自用于估计LNF MWCNT-CuO/10W 40纳米润滑剂。Ann.L l图 9预测了lnf相关的误差，并将dif-收集的数据分为4个不同的阶段。基于图 9，最大误差在± 20之间，表明神经网络模型预测的粘度具有较高的精度。如图 9，在T = 5 ° C时的最高误差在大于20的范围内的所有数据、训练和测试阶段中可见。验证阶段的最小误差小于± 20。图10中示出了针对不同阶段的所提出的ANN数据的误差直方图。如果数据误差更接近原点或零，则表明该建模的精度很高根据图10，大多数数据在小于±10的范围内。此外，训练阶段具有最低的误差和最高的频率类型，并且等于-1.513978547。根据图11，所提出的人工神经网络可以与基准线进行可接受的调整，因此，实验MOD暴露前%胆固醇×100 mg/kgLNF的MWCNT-Cu 0/10 W 40纳米润滑剂根据Eq. （3）[69]基于BF 并且对于lnf在不同的SVF下：lnf¼lbf10： 6SVF10： 6SVF2磅3磅通过比较人工神经网络预测数据的结果，在图12中绘制了拟议的新数据与实验室数据的关系。该比较在SR进行3999 s-1和T = 5、25和35 °C以及各种SVF。如图12所示，ANN技术更能够预测数据。数学的结果关系计算和人工神经网络数据表明，随着T和SVF的增加， 这些数据之间有轻微的偏差M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117126●见图12。 不同方法之间的比较。与实验室数据的数学关系，但正如你所看到的，随着温度的增加，建议的数据和实验数据之间的一致性增加，这表明人工神经网络数据的高精度相比，计算数据。5. 结论由于NF在改变反应堆或车辆等传热的正常功能方面具有很高的益处，因此在本研究中，是做到估计的 lnf的MWCNT-CuO（10：90）/10 W 40纳米润滑剂。实验数据以T（T = 55- 人工神经网络建模根据这些研究，可以提到以下几点：该神经网络的设计采用MLP方法和LM算法。为了评估所提出的模型的准确性，人工神经网络，MSE，回归系数和MOD也被用来。在400种不同的神经网络结构中，提出了每层隐层4个和8个神经元的最优模型。数据误差校验结果表明，建议的数据误差小于-20误差+20。● lnf数据比较结果（实验室、计算和建议模型）表明，建议模型的数据比计算数据更好、更准确。实验室调查非常耗时，需要实验室设备较多，建议采用人工神经网络模型进行神经网络预测。竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] 作者：Fakhar MH，Fakhar A，Tabatabaei H.纳米技术对改善热负荷下流体输送管道中急流速的功效。Int JHydromechatronics 2021;4（2）：142-54.[2] 霍军，魏华，付立，赵春，何春。用于氨硼烷水解的高活性Fe36Co44纳米簇催化剂：第一性原理研究。中国化学快报2022. doi：https://doi.org/10.1016/j.cclet.2022.02.066网站。[3] Zhang Y，Li C，Jia D，Zhang D，Zhang X. MoS 2/CNT纳米流体在镍基合金磨削微量润滑中的润滑性能的实验评估。Int J Mach Tool Manu 2015;99：19-33. doi：https://doi.org/10.1016/j.ijmachtools.2015.09.003网站。●●●●M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117127[4] Bakhshkandi R，Ghoranneviss M.研究二氧化钛奈米粒子在钴触媒上之合成与成 长。 Journal of Research inScience ， Engineering and Technology 2019;7（4）：1-3.[5] Safa M ，Ahmadi M ，Mehrmashadi J，Petkovic D ，Mohammadhassani M ，Zandi Y，et al.通过自适应神经模糊技术选择对高度定向垂直排列碳纳米管的矢量晶体生长最有影响力的参数。Int J Hydromechatronics 2020;3（3）：238-51.[6] ZhangJ，Li C，Zhang Y，Yang M，Jia D，Liu G，et al. 使用低温空气纳米流体微量润滑的环境友好磨削工艺的实验评估J Clean Prod 2018;193：236-48. doi：https：//doi. org/10.1016/j.jclepro.2018.05.009。[7] Keshtegar B，Correia JAFO，Trung N-T.在地震荷载下FRP和CNTs增强的内流纳米复合管的优化。Int JHydromechatronics 2020;3（3）：213-27.[8] [10] Cui X，Li C，Zhang Y，Said Z，Debnath S，Sharma S，et al.低温纳米润滑剂 微 量 润 滑 对 钛 合 金 磨 削 性 能 的 影 响 制 造 工 艺 杂 志 2022;80 ： 273-86 。 doi ：https://doi.org/10.1016/j.jmapro.2022.06.003网站。[9] [10]杨文，王文.纳米流体撞击圆柱轴对称驻点流动中熵产的理论研究。伊朗化学与化学工程杂志（IJCCE）2021;40（6）：1893-908。doi：https://doi.org/10.30492/ijcce.2020.43346。[10] Bilal A，Mabood F.粘弹性纳米流体在指数拉伸表面上对流混合流动的数值研究。伊朗化学与化学工程杂志（IJCCE）2021;40（6）：1931-42。doi：https://doi.org/10.30492/ijcce.2021.120531.3936.[11] 放大图片作者：Mandarin M，NademiM，Ebrahim Olya M，Lotfi H.UV/TiO2-ZnO-CuO纳米粒子光催化降解甲基叔丁基醚的研究化学健康风险杂志2017;7（1）：19-32。doi：https://doi.org/10.22034/jchr.2017.544161网站。[12] Dwijendra NKA，Patra I，Ahmed YM，et al.通过纯锌和镉修饰的AlP纳米片检测 羰基硫化 物气体 。2022 年莫 纳什化学doi： doi.org/10.1007/s00706-022-02961-5.[13] WangjianCHENG，Yunlong ZHANG，Lilong GaO，et al. GHL炸药流变特性及本构方程研究。机械设备杂志。工程2021;42（10）：103-8。[14] 杨明，李春，张勇，贾丹，张翔，侯勇，等。不同润滑条件下氧化锆陶瓷韧脆转变的最 大 未 变 形 等 效 切 屑 厚 度 。 Int J Mach Tool Manu 2017;122 ： 55-65. doi ：https://doi.org/10.1016/j.ijmachtools.2017.06.003网站。[15] 杨明，李春，张勇，贾栋，李荣，侯勇，等.不同润滑条件下单颗金刚石磨削氧化锆陶瓷最小切屑厚度及尺寸效应预测模型. Ceram Int 2019;45（12）：14908-20. doi：https://doi.org/10.1016/j.ceramint.2019.04.226网站。[16] 王晓明，李长河，张彦斌，Hafiz Muhammad Ali，Shubham Sharma，李润泽，杨敏，Zafar Said，刘欣，生物润滑剂强化车削的摩擦学：比较评估，国际摩 擦 学 ， 2022 ， 107766 。 http://dx.doi.org/10.1016/j.triboint.2022.107766 网站。[17] Wenhao Xu ，Changhe Li，Yanbin Zhang， Hafiz Muhammad Ali ，ShubhamSharma，Runze Li，Min Yang，Teng Gao，Mingzheng Liu，Xiaoming Wang，Zafar Said，Xin Liu，Zongming Zou. 2022.静电雾化微量润滑加工：从机理到应用。国际极端分子杂志制造4042003（2022）。http://dx.doi.org/10.1088/26317990/ac9652网站。[18] Abdollahi A，Reza Salimpour M.磁场作用下纳米流体在平板上沸腾换热的实验研究。TheEuropean Physical Journal Plus 2016;131（11）：1-16.[19] 崔，S。美国、&伊斯曼，J.A.（1995年）。用纳米颗粒增强流体的导热性（编号ANL/MSD/CP-84938; CONF-951135-29）。 阿贡国家实验室。(ANL)，Argonne，IL（美国）。[20] 邓杰等。钨颗粒增强锆基非晶复合材料弹侵彻行为的数值模拟。JOrchid Equip Eng2021; 42（05）：173-179.[21] DONG B等，石墨烯增强复合材料防弹性能研究综述。J Orchid Equip Eng 2021;42（01）：137-43.[22] 铣削和磨削中的纤维增强复合材料：加工瓶颈和先进策略。前机械工程2022; 17（2）：24.[23] [10]杨文辉，王文辉. 努森热力在低压微型气体传感器中检测CO2的应用。流体动力学2018;53（6）：812-23。[24] 王，X. ，罗 湖，加- 地向， J，Zheng ，S. ，中 国科学院 ，Shittu ， S.，王 志，&Zhao，X.（2021年）。综述了纳米流体在热管中的应用机器学习：理论、应用与预测可再生和可持续能源评论，150，111434。[25] 查图维迪湾R.，Fogat，M.，夏尔马，T.（2021年）。单步二氧化硅纳米流体的低温石油科学与工程学报，204，108742。[26] 斯大林PMJ，Arjunan TV，Matheswaran MM，Kumar PM，Sadanandam N。CeO 2/水纳米流体传热性能的研究今日材料：Proc 2021;47：6815-20。[27] Yashawantha，K. M.，&Vinod，A.（2021年）。乙二醇和水纳米流体的有效热导率的ANFIS建模用于低温传热应用。热科学与工程进展，24，100936。[28] 张文辉，张文辉.通过合成的热导率增强产生了一种新的混合混合物，由分散在水中 的 氧 化 铜 和 多 壁 碳 纳 米 管 组 成 ： 实 验 表 征 和 人 工 神 经 网 络 建 模 。 Int JThermophys 2020;41（8）：1-27.[29] [10]李晓斌，李晓斌，李晓斌.稳定的TiO 2-石墨烯/水混合纳米流体的制备和热导率新关联式的开发。粉末技术2021;385：466-77。[30] [10] FuxiS ， Hamedi S ， Hajian M ， Toghraie D ， Alizadeh As 'ad ，Hekmatifar M，et al. 在水-乙二醇（EG）基液中添加MWCNT-Al_2 O_3纳米粉体以提高其热性能：设计最佳前馈神经网络。案例研究。Therm Eng2021;27：101293.[31] Jamei，M.，奥卢梅邦岛一、Karbasi，M.，艾哈迈迪安法尔岛，Asadi，A.，Mosharaf-Dehkordi，M.（2021年）。使用扩展卡尔曼滤波器结合前馈神经网络评估油基混合纳米流体的导热系数。国际传热与传质杂志，172，121159。[32] 杨X ，Boroomandpour A，Wen S ，Toghraie D ，Soltani F.应用人工神经网络（ANN）预测含有多壁碳纳米管、二氧化钛和氧化锌的基于水/乙二醇的单、二元和三元纳米流体的热特性。粉末技术2021;388：418-24。[33] Tian，S.，Arshad，N.一、Toghraie，D.，埃夫泰哈里河一、&Hekmatifar，M.（2021年）。采用感知器前馈人工神经网络（ANN）预测氧化石墨烯-Al 2 O3/水-乙二醇混合纳米流体的热导率。热工程案例研究，26，101055。[34] Nfawa SR，Abu Bohab AR，Basri AA，Masuri SU. MgO纳米颗粒添加剂用于增强CuO/水纳米流体的热导率的新用途。案例研究。Therm Eng2021;27：101279.[35] BanisharifA，Estellé P，Rashidi A，Van Vaerenbergh S，Aghajani M. 金属、金属氧化物及碳质水奈米流体于乙醇冷凝过程之热传特性。胶体表面物理化学工程2021;622：126720。[36] Zhu，Y.，中国科学院，Zamani，M.，徐，G.，Toghraie，D.，Hashemian，M.，&Alizadeh，A. A.（2021年）。对MWCNT-WO 3/水-乙二醇防冻剂杂化纳米流体的动态粘度进行了综合实验研究。Journal of Molecular Liquids，333，115986.[37] Mousavi，S. B、Heris，S. Z.，&Estellé，P.（2021）. ZnO和MoS2柴油基纳米流体的粘度、摩擦学和物理化学特性：实验研究。燃料，293，120481。[38] Chu，Y. M.，易卜拉欣，M.，Saeed，T.，Berrouk，A.美国，Algehyne，E.一、&卡尔巴西河（2021年）。基于实验和响应面神经网络模型研究了MWCNT-TiO 2/5 W40杂化纳米流体的流变行为Journal of Molecular Liquids，333，115969.[39] Keykhosravi，A.，Vanani，M. B、&阿加亚里角（2021年）。TiO2纳米颗粒诱导的黄原胶聚合物用于EOR：评估油湿碳酸盐的潜在机制。石油科学与工程学报，204，108756。[40] Rashidi S，Bovand M，Rahbar N，Esfahani JA.纳米流体级联太阳能蒸馏器的步骤优化和生产率提高。更新能源2018;118：536-45。[41] EsfeMH，Hajmohammad H，Moradi R，Arani AAA. 基于响应面法的NSGA-II 对 双 壁 碳 纳 米 管 / 水 纳 米 流 体 成 本 和 热 性 能 的 多 目 标 优 化 。 应 用 热 工 程2017;112：1648-57。[42] Baratpour M，Karimipour A，Afrand M，Wongwises S.温度与浓度对单壁奈米碳管乙二醇奈米流体黏度之影响。2016年12月，《国际热质传递》，第74卷，第108-13页。[43] AbdolbaqiMK ， Sidik NAC ， Rahim MFA ， Mamat R ， Azmi WH ， YazidMNAWM，et al.实验研究和开发生物乙二醇/水基SiO2纳米流体的热导率和粘度的新相关性。2016年国际热质传递通讯;77：54-63.[44] Esfe MH.设计了一个神经网络来预测银/水纳米流体在换热器中的传热和压降特性。应用热工程2017;126：559-65。[45] Esfe MH，Esfande S，Amoozad F，Toghraie D.通过使用人工神经网络优化来提高估计含有MWCNT-MgO纳米颗粒的混合纳米润滑剂的动态粘度的准确性。阿拉伯化学杂志2022;104405.[46] Barati-Harooni A，Najafi-Marghmaleki A.一个精确的RBF-NN模型用于纳米流体粘度的估计。JMol Liq 2016;224：580-8.[47] 李伟杰，李伟杰，李伟杰. 氧化铝水基纳米流体导热系数的人工神经网络预测。粉末技术2015;278：1-10。[48] 赵N，温X，杨J，李S，王Z.水基纳米流体粘度的径向基函数神经网络建模与预测。粉末技术2015;281：173-83。[49] 杨，Y.，Grulke，E.一、Zhang，Z. G.，&Wu，G.（2006年）。油包碳纳米管的热性能和流变性能分散体杂志的应用物理学99（11）。114307[50] 陆克文碳纳 米管-氧化铝纳米 粒子分散体系的流变 行为。粉 末技术2007;177（3）：154-61。[51] KoleM，Dey TK. 聚集对氧化铜-齿轮油纳米流体粘度的影响。Int J Therm Sci2011;50（9）：1741-7.[52] Susan-Resiga D，Socoliuc V，Boros T，Borbáth T，Marinica O，Han A，et al.Theinfluenceofparticleclusteringontherheologicalpropertiesofhighlyconcentrated magnetic nanofluids. J Colloid Interface Sci 2012;373（1）：110-5.M. Hemmat Esfe，D.Toghraie，F.Amoozadkhalili等人埃及信息学杂志24（2023）117128[53] 王斌，王翔，娄伟，郝军。石墨/油纳米流体的导热性能和流变性能。胶体表面物理化学工程2012;414：125-31。[54] Jamal-Abad M，Dehghan M，Saedodin S，Valipour MS，Zamzamian A.非牛顿纳米流体流变特性的实验研究。 Journal of Heat and Mass Transfer Research2014;1（1）：17-23.[55] Anoop K，Sadr R，Al-Jubouri M，Amani M.矿物油-SiO2纳米流体在高压和高温下的流变学。Int J Therm Sci2014;77：108-15.[56] 哈达迪安·戈哈尔沙迪·EK 煅烧温度对氧化锆纳米粒子结构、振动、光学和流变性质的影响。Ceram Int 2012;38（3）：1771-7。[57] Hemmat Esfe M，Kiannejad Amiri M，Alirezaie A.混合纳米流体的导热性。 JTherm Anal Calorim 2018;134（2）：1113-22.[58] Aberoumand S，Jafarimoghnik A，Moravej M，Aberoumand H，JavaherdehK.对银-导热油纳米流体的流变特性进行了实验研究，提出了两种基于经验的导热油纳米流体导热系数和粘度的关联式。应用热工程2016;101：362-72。[59] Esfe MH ， Rostamian H ， Sarlak MR. A novel study on rheological behaviorofZnO-MWCNT/10w40 nanofluid for automotive engines. J Mol Liq2018;254 ：406-13.[60] Esfe MH，Arani AAA，Madadi MR，Alirezaie A. MWCNT-TiO2纳米复合纳米润滑剂流变特性的研究J Mol Liq 2018;260：229-36.[61] 王杰，翟玉，Yao，P.，（1986 - 1990），中国地质大学，妈妈，M.，&Wang，H.（2020年）。建立了基于人工神经网络的纳米复合流体导热系数预测模型。国际传热与传质通讯，110，104444。[62] Esfe MH，Arani AAA.对MWCNT（%40）-SiO2（%60）/5 W50纳米润滑剂的动态粘度进行了实验测定和准确预测。JMol Liq 2018;259：227-37.[63] Rostamian H，Lotfollahi MN. Redlich-Kwong状态方程能量参数的新函数用于纯二氧化碳和乙烷在液相、气相和超临界相的密度计算。Period Polytech，ChemEng 2016;60（2）：93-7.[64] HeW，Ruhani B，Toghraie D，Izadpanahi N，Esfahani NN，Karimipour A，AfrandM.利用人工神经网络预测氧化锌-银（50%-50%）/水混合牛顿纳米流体的导热系数。国际传热与传质通讯2020;116：104645。[65] Van Gerven M ， Bohte S. 人 工 神 经 网 络 作 为 神 经 信 息 处 理 的 模 型 。 FrontComput Neurosci2017;11：114.[66] Ruhani B等人，使用