ترجمه فارسی مقاله مدل سازی جوش استخر هسته ای بر روی بسترهای روکش شده با استفاده از یادگیری ماشین و رویکردهای تجربی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Modelling of nucleate pool boiling on coated substrates using machine learning and empirical approaches
عنوان مقاله به فارسی مدل سازی جوش استخر هسته ای بر روی بسترهای روکش شده با استفاده از یادگیری ماشین و رویکردهای تجربی
نویسندگان Vijay Kuberan, Sateesh Gedupudi
فرمت مقاله انگلیسی PDF
تعداد صفحات 57
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Applied Physics,Materials Science,فیزیک کاربردی , علوم مواد ,
توضیحات Submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Surface modification results in substantial improvement in pool boiling heat transfer. Thin film-coated and porous-coated substrates, through different materials and techniques, significantly boost heat transfer through increased nucleation due to the presence of micro-cavities on the surface. The existing models and empirical correlations for boiling on these coated surfaces are constrained by specific operating conditions and parameter ranges and are hence limited by their prediction accuracy. This study focuses on developing an accurate and reliable Machine Learning (ML) model by effectively capturing the actual relationship between the influencing variables. Various ML algorithms have been evaluated on the thin film-coated and porous-coated datasets amassed from different studies. The CatBoost model demonstrated the best prediction accuracy after cross-validation and hyperparameter tuning. For the optimized CatBoost model, SHAP analysis has been carried out to identify the prominent influencing parameters and interpret the impact of parameter variation on the target variable. This model interpretation clearly justifies the decisions behind the model predictions, making it a robust model for the prediction of nucleate boiling Heat Transfer Coefficient (HTC) on coated surfaces. Finally, the existing empirical correlations have been assessed, and new correlations have been proposed to predict the HTC on these surfaces with the inclusion of influential parameters identified through SHAP interpretation. Keywords: Pool boiling, Thin film-coated, Porous-coated, Heat transfer coefficient, Machine learning, CatBoost, SHAP analysis

چکیده به فارسی (ترجمه ماشینی)

اصلاح سطح منجر به بهبود قابل توجهی در انتقال حرارت جوش استخر می شود.بسترهای با روکش فیلم نازک و متخلخل ، از طریق مواد و تکنیک های مختلف ، انتقال حرارت را به طور قابل توجهی از طریق افزایش هسته به دلیل وجود ریزگردها بر روی سطح افزایش می دهد.مدل های موجود و همبستگی های تجربی برای جوشاندن بر روی این سطوح روکش شده با شرایط عملیاتی خاص و دامنه پارامترها محدود می شوند و از این رو با دقت پیش بینی آنها محدود می شوند.این مطالعه بر توسعه یک مدل یادگیری دقیق و قابل اعتماد ماشین (ML) با ضبط موثر رابطه واقعی بین متغیرهای تأثیرگذار متمرکز شده است.الگوریتم های مختلف ML در مجموعه داده های نازک پوشش داده شده توسط فیلم و متخلخل مورد بررسی قرار گرفته است که از مطالعات مختلف جمع آوری شده است.مدل CatBoost بهترین دقت پیش بینی را پس از اعتبارسنجی متقابل و تنظیم هایپرپارامتر نشان داد.برای مدل CatBoost بهینه شده ، تجزیه و تحلیل Shap برای شناسایی پارامترهای برجسته تأثیرگذار و تفسیر تأثیر تغییر پارامتر بر متغیر هدف انجام شده است.این تفسیر مدل به وضوح تصمیمات مربوط به پیش بینی های مدل را توجیه می کند ، و آن را به یک مدل قوی برای پیش بینی ضریب انتقال حرارت جوش هسته ای (HTC) در سطوح پوشش داده شده تبدیل می کند.سرانجام ، همبستگی های تجربی موجود ارزیابی شده است ، و همبستگی های جدیدی برای پیش بینی HTC در این سطوح با درج پارامترهای تأثیرگذار مشخص شده از طریق تفسیر Shap پیشنهاد شده است.واژه‌های کلیدی: جوش استخر ، روکش فیلم نازک ، روکش متخلخل ، ضریب انتقال حرارت ، یادگیری ماشین ، CatBoost ، تجزیه و تحلیل شکل

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.