پیش‌بینی پخش شدن نانو قطرات بر روی سطح با استفاده از مدل رگرسیون غیر خطی چند متغیره

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار، گروه ریاضی و آمار، واحد لاهیجان، دانشگاه آزاد اسلامی، صندوق پستی 1616، لاهیجان، ایران.

2 دانشیار، گروه مکانیک، دانشکده مهندسی دانشگاه پیام نور، تهران، ایران.

چکیده

ایجاد پوشش‌هایی مقاوم و ضد خوردگی در ابعاد نانو، استفاده گسترده و روز افزونی در صنایع مختلف دارد. پوشش ایجاد شده وابسته به برخورد نانو قطره با سطح و سپس پخش‌شدن آن بر روی سطح است. در بسیاری از موارد سطح به صورت مورب در مقابل نازل پاشش قرار گرفته و زاویه برخورد نانو قطره با سطح به صورت مایل می‌باشد. به دلیل وجود هزینه زیاد و زمان بر بودن آزمایشات تجربی و شبیه‌سازی‌های دینامیکی، تعیین مدلی برای نشان دادن تاثیرات عوامل موثر بر پخش نانو قطره حائز اهمیت است. در این مطالعه با استفاده از مدل رگرسیون چند متغیره نسبت به پیش‌بینی پخش شدن نانو قطره اقدام گردیده است. میزان پخش شدن نانو قطره به سرعت و زاویه برخورد قطره با سطح بستگی دارد که برای این منظور پنج مدل مختلف در نظر گرفته شده است. نتایج مقایسه مدل‌های ارائه شده، نشان می‌دهد که مدل رگرسیون غیر‌خطی پیشنهادی، دارای بیشترین بازده و کمترین خطا بوده است و تطابق بالایی با خروجی مطلوب دارد. همچنین آنالیز باقیمانده‌ها نشان‌دهنده پذیرش نرمال بودن آن ها در مدل انتخابی است. علاوه بر این مشاهده شده است که همبستگی بین سرعت و میزان پخش شدن نانو قطره 0.95 است که در سطح بسیار بالایی قرار دارد.

کلیدواژه‌ها

موضوعات


[1] S. C. Maroo, J. N. Chung, Nano-droplet impact on a homogenous surface using molecular dynamics. ASME Energy Nanotech.  Int. Conf. I(2008), 113-121.

[2] N. Sedighi, S. Murad, S. Aggarwal, K, Molecular dynamics simulations of spontaneous spreading of a nanodroplet on solid surfaces.  Fluid Dyn. Res. 43(2011), 1-23.

[3] N. Sedighi, S. Murad, S. K. Aggarwal, Molecular dynamics simulations of nanodroplet spreading on solid surfaces, effect of droplet size. Fluid Dyn. Res. 42(2010), 32-45.

[4] H. Hai-Bao, C. Li-Bin, B. Lu-Yao, H. Su-He, Molecular dynamics simulations of the nano-droplet impact process on hydrophobic surfaces. Chinese Phys. B. 23(2014), 1-6.

[5] S. Asadi, Simulation of nanodroplet impact on a solid surface. Inter. J. Nano Dim. 3(2012), 19-26.

[6] س. اسدی، شبیه سازی برخورد نانو قطره به سطح مورب در فرآیند ایجاد پوشش های نانویی توسط دینامیک مولکولی، نشریه علوم و مهندسی سطح، 13(1396)، 41-50.

[7] H. Panahi, S. Asadi, Statistical modeling for oblique collision of nano and micro droplets in plasma spray processes. Int. J. Nanosci. Nanotech. 14(2018), 71-83.

[8] M. H. Esfe, M. Afrand, W.M. Yan, M. Akbari, Applicability of artificial neural network and nonlinear regression to predict thermal conductivity modeling of al2o3–water nanofluids using experimental data. Int. J. Heat Mass Transf. 66(2015), 246-249.

[9] D. Jarušková, A. Kučerová, Estimation of thermophysical parameters revisited from the point of view of nonlinear regression with random parameters. Int. J. Heat Mass Transf. 106(2017), 135-141.

[10] S. Kim, J. Lee, S. Kim, K. S. Cho, Applications of monte carlo method to nonlinear regression of rheological data. Korea. Aust. Rheol. J. 30(2018), 21-28.

[11] Y. Kemari, A. Mekhaldi, M. Teguar, G. Teyssèdre, Nonlinear regression modeling to predict thermal endurance of xlpe material under thermal aging, Int. Conf. Dielectr. (ICD), IEEE, 2018, 1-4.

[12] M. R. Malik, B. J. Isaac, A. Coussement, P. J. Smith, A. Parente, Principal component analysis coupled with nonlinear regression for chemistry reduction. Combust. Flame. 187(2018), 30-41.

[13] C. Li, R. Zhang, J. Li, P. Stoica, Bayesian information criterion for signed measurements with application to sinusoidal signals. IEEE Signal Proc. Let. 25(2018), 1251-1255.

[14] A. Charkhi, G. Claeskens, Asymptotic post-selection inference for the akaike information criterion. Biometrika 105 (2018), 645-664.

[15] H. Panahi, Estimation for the parameters of the burr type xii distribution under doubly censored sample with application to microfluidics data. Int. J. Syst. Assur. Eng. Manage., 1-9.