Resumen

En la actualidad, la ecuación de Colebrook se utiliza como una relación mayormente aceptada para el cálculo del factor de fricción del flujo de fluidos. Sin embargo, la ecuación de Colebrook es implícita con respecto al factor de fricción ( λ ). En el presente estudio, se desarrolló un enfoque no iterativo utilizando una Red Neural Artificial (RNA) para calcular el factor de fricción. Para configurar el modelo de RNA, los parámetros de entrada del número de Reynolds (Re) y la rugosidad relativa de la tubería ( ε / D ) fueron transformados a escalas logarítmicas. Los 90.000 conjuntos de datos se introdujeron en el modelo de RNA con tres capas: de entrada, oculta y de salida, con 2, 50 y 1 neuronas, respectivamente. Esta configuración fue capaz de predecir los valores del factor de fricción en la ecuación de Colebrook para cualquier valor dado del número de Reynolds (Re) y de la rugosidad relativa ( ε / D ) que oscilan entre 5000 y 108 y entre 10-7 y 0,1, respectivamente. La RNA propuesta demuestra el error relativo de hasta el 0,07%, que tuvo la alta precisión en comparación con la gran mayoría de las aproximaciones explícitas precisas de la ecuación de Colebrook.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:ecuación de colebrook, factores de fricción, rugosidad relativa, número de reynolds, modelo ann, aproximación explícita precisa, valor de la fricción, conjunto de datos, rugosidad de la tubería, red neuronal artificial
• Keywords:colebrook equation, friction factors, relative roughness, reynolds number, ann model, precise explicit approximation, value of friction, set of data, roughness of pipe, artificial neural network