TY - JOUR ID - TI - Prediction of Heat Transfer Coefficient of Pool Boiling Using Back propagation Neural Network التنبؤ بمعامل انتقال الحرارة في الغليان الحوضي باستخدام شبكة الانتشار العكسي ( ANN ) AU - Salih Abdul Jabbar AU - Abbas Jawad Sultan AU - Hayder Alaa Maabad PY - 2012 VL - 30 IS - 8 SP - 1293 EP - 1305 JO - Engineering and Technology Journal مجلة الهندسة والتكنولوجيا SN - 16816900 24120758 AB - Artificial neural network (ANN), in comparison with empirical correlations, hasrecently received more attention. The present paper includes predictive modeling ofheat transfer coefficient for binary mixtures in pool boiling for hydrocarboncompounds, using Back propagation techniques through Multilayer Perceptron, oneof the types of the artificial neural networks. To train and learn the system, predictiveneural network was found, which is capable of understanding and predicting the presetoutput which is heat transfer coefficient. The principle operation of such neuralnetworks is based on the experimental data collected from some researchers [1-4]. Anew ANN model is proposed using five inputs (mole fraction, temperature difference,heat flux, density and viscosity) to predict the heat transfer coefficient. The predictionusing ANN shows 0.0026 AARE (Absolute Average Relative Error) with most widelyknown correlations namely those of Calus, Fujita and Thome which have given 0.086,0.066 and 0.038 respectively.

لاقت الشبكات العصبية الاصطناعية مقارنة بالمعادلات العملية مؤخرا مزيدا من الاهتمام. ويشملهذا البحث النمذجة التنبؤية لمعامل انتقال الحرارة لمخاليط ثنائية التركيب للمركبات الهيدروكربونيةفي الغليان الحوضي، باستخدام تقنية التوالد العكسي في الإدراك الحسي المتعدد الطبقات ، احد انواعالشبكات العصبية الاصطناعية. لتدريب النظام في هذا الظرف، وبأستخدام التنبؤ باستخدام الشبكةالعصبية،لتكوين شبكة قادرة على الفهم والتعلم والتعلم بالمتغير الخارج. إن مبدأ تشغيل هذه الشبكات4). تم تكوين نموذج جديد يقترح - العصبية يستند على بيانات جمعت من تجربة بعض الباحثين( 1استخدام مدخلات خمس(فرق درجات الحرارة، والكسر المولي و كمية الحرارة و اللزوجة والكثافة)لتوقع معامل انتقال الحرارة. وقد تبين ان التنبؤ باستخدام الشبكات العصبية الاصطناعية يعطي نسبة Fujita تساوي 0.0026 اما بالنسبة الى المعادلات العملية الأكثر شيوعا وهي (AARE) خطأ0.066 و 0.038 تباعا. ، فكانت 0.086 ، Thome و,Callus ER -