应用人工神经网络，结合实验测量数据，对Fe?O?/水铁磁流体的热物理性质进行预测建模与分析

《Scientific Reports》：Application of artificial neural networks for prediction modeling and analysis of the thermophysical properties of Fe?O?/water ferrofluid using experimental measurement

　　

摘要

与传统传热流体相比，纳米流体因其显著提升的热性能而受到了广泛关注。由于纳米颗粒的尺寸在纳米级别，因此可以减少通道堵塞和严重磨损等问题。其中，含有Fe₃O₄纳米颗粒的磁流体因其独特的性能（如优异的磁性和环保性）而特别受到研究人员的关注。在这项研究中，开发了一个人工神经网络模型来预测Fe₃O₄/水磁纳米流体的热行为，并探讨了体积分数（φ = 0.05%至4.0%）和温度（T = 24°C至50°C）等因素对导热率和动态粘度的影响。通过对比实验结果验证了该神经网络模型的有效性。研究结果表明，当体积分数（φ）从0.05%增加到4.0%时，动态粘度从0 cP升高到0.77 cP；导热率随纳米颗粒浓度的增加而增加，而动态粘度则随温度的升高而降低。相反，在较高的纳米颗粒体积分数下，由于基液内部颗粒间的相互作用增强，粘度反而有所增加。该神经网络模型在预测导热率方面表现良好，相关系数为0.98，误差为1.56×10^?5。