Previsão do comportamento térmico de nanotubos de carbono de paredes múltiplas-CuO-CeO2 (20-40-40)/água utilizando diferentes tipos de regressores e algoritmos evolutivos para projetar o melhor modelo de rede neural artificial

Para conduzir uma análise dos dados experimentais, é imperativo estabelecer uma correlação matemática entre as variáveis de entrada e saída. Isso envolve a execução de um ajuste de curva ou procedimento de regressão nos dados, para o qual existem numerosas metodologias. Dentro do escopo da investigação atual, as variáveis de design abarcam a fração de volume sólido (φ) e a temperatura. A condutividade térmica (CT) do nanofluid híbrido MWCNT-CuO-CeO2 (20-40-40)/água (HNF) também é a função objetivo. Dez tipos diferentes de regressores são utilizados para operações de regressão, que são Regressão Linear Múltipla (MLR), Árvore de Decisão (D-Tree), Perceptron de Múltiplas Camadas (MLP), Máquina de Vetores de Suporte (SVM), Máquina de Aprendizado Extremo (ELM), Função de Base Radial (RBF), Sistema de Inferência Neuro-Fuzzy Adaptativa (ANFIS), Regressão de Processo Gaussiano (GPR), Regressão Polinomial Multivariada (MPR) e Método de Grupo de Manipulação de Dados (GMDH). Uma vez que as equações que ligam as variáveis de design e as funções objetivo tenham sido estabelecidas, essas equações podem ser empregadas para prever os dados de simulação. Ao substituir os valores de entrada acima nas equações, podemos calcular os valores de saída correspondentes para a CT do HNF. Os resultados obtidos do algoritmo MPR são comparados aos dados experimentais. Para os algoritmos GPR, MLR, D-Tree, ELM, MPR, MLP, RBF, SVM, ANFIS e GMDH, a margem máxima de erro é encontrada como 0.031, 0.02579, 0.028946, 0.033889, 0.01568, 0.02515, 0.03485, 0.03, 0.0385 e 0.0178, respectivamente. Além disso, o diagrama de estimativa de densidade do núcleo indica a diferença entre os dados experimentais e os dados previstos pelos algoritmos de regressão. Por fim, é evidente que o algoritmo MPR demonstra ter uma dispersão residual reduzida, com os resíduos se aproximando de zero.