Ein datengetriebenes, physikbasiertes neuronales Netzwerk zur Vorhersage der Viskosität von Nanofluiden

Nanofluide wurden in verschiedenen Bereichen eingesetzt, wie z.B. Sonnenkollektoren, Erdöltechnik und Chemieingenieurwesen, aufgrund ihrer überlegenen Eigenschaften im Vergleich zu herkömmlichen Fluiden. Unter den verschiedenen thermophysikalischen Eigenschaften von Nanofluiden spielt die Viskosität eine entscheidende Rolle in thermischen Anwendungen, die Wärmeübertragung und Fluidströmung betreffen. Während mehrere konventionelle Techniken des maschinellen Lernens (ML) vorgeschlagen wurden, um die Viskosität vorherzusagen, erfordern diese konventionellen Modelle viele experimentelle Messungen, um optimiert zu werden und genaue Vorhersagen zu treffen. In dieser Studie wird eine neuartige ML-Methode vorgestellt, die ein multi-fidelity neuronales Netzwerk (MFNN) verwendet, um die Viskosität von Nanofluiden genau vorherzusagen, indem die physikalischen Gesetze in das Modell integriert werden. Das MFNN korreliert einen Datensatz mit niedriger Genauigkeit, der aus der Vorhersage des theoretischen Modells abgeleitet wurde, mit einem Datensatz mit hoher Genauigkeit, der aus experimentellen Messungen besteht. Es wird gezeigt, dass das MFNN die Rheologie von Nanofluiden wiederherstellen kann und die konventionellen künstlichen neuronalen Netzwerke übertrifft, da es die zugrunde liegende Physik der Nanofluiden in ein Modell integriert.