Resumo O aprendizado de máquina fornece uma abordagem poderosa para prever as complexas propriedades termo-físicas dos nanofluidos. Este estudo emprega um conjunto de algoritmos de aprendizado de máquina para prever a viscosidade, condutividade térmica e condutividade elétrica de um nanofluid magnético Fe₃O₄/TiO₂, utilizando dados experimentais em uma faixa de temperatura de 10–50 °C e frações volumétricas de 0–0,3%. Entre a Regressão por Processos Gaussianos, Regressão Linear Múltipla, Regressão por Vetores de Suporte, Perceptron Multicamadas e Regressão Polinomial Múltipla (MPR), o modelo MPR demonstrou desempenho superior, alcançando um coeficiente de correlação acima de 0,99 e as menores métricas de erro (por exemplo, Erro Médio Quadrático de 0,0216 para viscosidade). A subsequente otimização multi-objetivo usando o Otimizador Multi-objetivo do Lobo Cinza (MOGWO) gerou um front de Pareto de soluções ótimas. A solução mais equilibrada, identificada usando ponderação baseada em entropia, correspondeu a uma configuração de 60 lobos e 300 iterações. Esta estrutura integrada prevê com precisão as propriedades termo-físicas e identifica os trade-offs ótimos para aplicações de engenharia.
Jebur et al. (Mon,) estudaram essa questão.