مختصری از من

Academic Degree: Receiving Master of Mechanical Engineering Degree (Fluid Mechanic-Heat Transfer-nanofluid)

Position: BS. of Mechanical Engineering (Solid Mechanic-IMPACT)

E-mail: Mouasrejvani@gamil.com
Page: https://www.researchgate.net/profile/Mousa_Rejvani
Address: Faculty of Mechanical Engineering, Semnan University

به شدت با انگیزه در امور تحقیقات و توسعه هستم. همچنین ایده برای ساخت تجهیزات آزمایشگاهی و وسایل عمومی برقی و مکانیکی نیز دارم.

سوابق تحصیلی

  • 1394 تا هم اکنون
    کارشناسی ارشد مهندسی مکانیک
    گرایش تبدیل انرژی(نانوسیالات روانکار و عامل های حرارتی) /دانشگاه دولتی سمنان / معدل 17.11
  • 1390 تا 1394
    کارشناسی مهندسی مکانیک
    گرایش طراحی کاربردی (کارشناسی) /دانشگاه دولتی سمنان / معدل 16.52

پیشینه شغلی

  • اردیبهشت ۱۳۹۳ تا اردیبهشت ۱۳۹۵
    شرکت کیمیا نانو دانش
    مهندسی مکانیک/هوافضا/ گروه طراحی و تولید

    توضیحات: تولید دستگاه التراسونیک
    مسئول گروه جست و جوی پیشرفته شرکت کیمیا نانو دانش(تولید علم)

سوابق آموزشی پژوهشی

  • 1395
    بیش از 3 مقاله ISI چاپ دو جلد کتاب
  • 1395
    Mohammad Hemmat Esfe, Mohammad Reza Hassani Ahangar, Mousa Rejvani, Davood Toghraie, Mohammad Hadi Haj Mohammad. Title: Designing an Artificial Neural Network to Predict Dynamic Viscosity of Aqueous Nanofluid of TiO2 Using Experimental Data. Journal: International Communications in Heat and Mass Transfer (Elsevier, ISI index, ISSN: 0735-1933, IF=2.559), 75 (2016) 192–196. http://dx.doi.org/10.1016/j.icheatmasstransfer.2016.04.002 Abstract: In this research, the viscosity of the aqueous nanofluid of TiO2 has been modeled by artificial neural networks using experimental data. Artificial neural networks are able to estimate the pattern of dynamic viscosity variation along with temperature and nanoparticles mass fraction with a high precision. A network with one hidden layer and 4 neurons has been used. The regression coefficient was obtained 0.9998 in this modeling, which shows very high precision of neural network with a very simple structure. In addition, a relationship in terms of mass fraction and temperature was presented in order to predict the viscosity of this nanofluid. This correlation can estimate the viscosity of TiO2–water nanofluid in a wide range of nanoparticles mass fraction with a maximum error of 0.5 %.
  • 1395
    Mohammad Hemmat Esfe, Ali Alirezaie, Mousa Rejvani Title: An applicable study on the thermal conductivity of SWCNT-MgO hybrid nanofluid and price-performance analysis for energy management. Journal: Applied Thermal Engineering (Elsevier, ISI index, ISSN: 1359-4311, IF=3.043), 111 (2017) 1202–1210. http://dx.doi.org/10.1016/j.applthermaleng.2016.09.091 Abstract: The present study deals with the measurement of thermal conductivity of SWCNTs-MgO/EG hybrid nanofluids and the modeling of experimental data using artificial neural network (ANN). Hybrid nanofluids are produced and tested at volume fraction of 0.05% to 2% and temperature range from 30 to 50°C. The nanofluid’s obtained data has been compared with experimental outcomes of single particle nanofluids of MgO and SWCNT in base fluid of Ethylene Glycol. A Sensitivity Analysis is done as a measure of variable changing effects on alterations gradient of the objective function. The Analysis shows that the alterations gradient of thermal conductivity increases with the rise of volume fraction of up to 1%, and then, the sensitivity decreases. Generally, the current study is a combination of empirical studies along with the artificial neural network, sensitivity analysis, and proposing an empirical correlation for detailed understanding of the thermal behavior in SWCNT-MgO (20-80%)-EG hybrid nanofluids.
  • 1395
    Mohammad Hemmat Esfe, Mousa Rejvani, Rostam Karimpour, Ali Akbar Abbasian Arani Title: Estimation of thermal conductivity of Ethylene glycol-based nanofluid with hybrid suspensions of SWCNT-Al2O3 nanoparticles by correlation and ANN methods using experimental data Journal: Journal of Thermal Analysis and Calorimetry (Springer, ISI index, ISSN: 1388-6150, IF=1.781), Available online 6 September 2016. http:// 10.1007/s10973-016-6002-9 Abstract: In the present paper, the effects of temperature and volume fraction on thermal conductivity of SWCNT-Al2O3/EG hybrid nanofluid are investigated. Single walled carbon nanotube with outer diameter of 1-2 nm and Aluminum oxide nanoparticles with mean diameter of 20 nm with the ratio of 30% and 70% respectively were dispersed in the base fluid. The measurements were conducted on samples with volume fractions of 0.04, 0.08, 0.15, 0.3, 0.5, 0.8, 1.5 and 2.5. In order to investigate the effects of temperature on thermal conductivity of the nanofluid, this characteristic was measured in five different temperatures of 30, 35, 40, 45 and 50 ◦C. The results indicate that enhancement of nanoparticles thickness in low volume fractions and at any temperature cause a considerable increment in thermal conductivity of the nanofluid. In this study, the highest enhancement of thermal conductivity was 41.2% which was achieved at the temperature of 50◦C and volume fraction of 2.5%. Based on the experimental data an experimental correlation and a neural network are presented and for thermal conductivity of the nanofluid in terms of volume fraction and temperature. With comparing outputs of the experimental correlation and the designed artificial neural network with experimental data, the maximum error values for the experimental correlation and the artificial neural network was respectively 2.6% and 1.94% which indicate the excellent accuracy of the both methods in prediction of thermal conductivity.
  • 1395
    Mohammad Hemmat Esfe, Somchai Wongwises, Mousa Rejvani, Title: Prediction of thermal conductivity of carbon nanotube-EG nanofluid using experimental data by ANN. Journal: Current Nanoscience (ISI index, ISSN: 1573-4137, IF=0.934). http://www.eurekaselect.com/node/148293/article Abstract: In this study, the artificial neural network has been employed to predict the thermal conductivity of the carbon nanotube–ethylene glycol (CNT-EG) nanofluid based on experimental data. The main aim of this study is to find the best training algorithm for modeling the thermal conductivity of nanofluids. Different activating functions and two training algorithms have been tested to train the neurons. The architecture of this modeling is the same and consists of one hidden layer with two neurons. The input parameters of the network include 20 data of temperatures (15–55oC) and volume concentrations (2.2–7.8 vol.%), and the output of the network is the thermal conductivity coefficient. The results indicate that the trainbr algorithm with the Elliotsig activating function responses have a higher regression coefficient and a lower mean square error. The results show also that an artificial neural network can estimate the experimental results with high precision in a wide range of temperatures and concentrations of carbon nanotubes.
  • 1395
    کتاب: جست و جوی پیشرفته علمی و نحوه نگارش و تدوین مقالات ISI -گردآوری و تالیف- جلد دوم- انتشارات پویش اندیشه-اصفهان ISBN: 9789645442680- 2016 (1395)
  • 1394
    1) محمد همت اسفه، سیف اله سعدالدین، سید هادی رستمیان، جلال شهرام، موسی رجوانی. عنوان: مدلسازی ضریب هدایت حرارتی نانوسیال آب- تیتانا به کمک شبکه عصبی مصنوعی ژورنال: بیست و چهارمین همایش سالانه بین المللی مهندسی مکانیک، ISME2016-97248، دانشگاه یزد، 1394. چکیده: در این تحقیق ضریب هدایت حرارتی نانوسیال TiO2-water به کمک شبکه عصبی مصنوعی مدلسازی و مورد بررسی قرار گرفته است. داده های تجربی مورد استفاده برای مدلسازی در 4 کسر وزنی1، 10، 20 و 35 درصد و در محدوده دمایی oC 80- 20 بوده اند. ساختار شبکه عصبی با 2 لایه مخفی و 5 نرون برای مدلسازی در نظر گرفته شد. به منظور انتخاب بهترین تابع آموزش، چندین تابع آموزش موجود در شبکه عصبی مصنوعی مورد آنالیز قرار گرفت. نتایج نمایان ساخت با توجه به معیارهای بالاترین ضریب رگرسیون و کمترین مقدار میانگسن مجذور مربعات خطا، تابع آموزش Trainbr دارای بهترین عملکرد بود. همچنین نتایج نشان داد شبکه عصبی با دقت بسیار خوبی توانایی پیش بینی ضریب هدایت حرارتی نانو سیال آب- تیتانا را در دماها و غلظت های مختلف دارا بوده و مدل های تئوری مانند ماکسول از پیش بینی دقیق ضریب هدایت حرارتی ناتوان می باشند.
  • 1394
    کتاب: جست و جوی پیشرفته علمی و نحوه نگارش و تدوین مقالات علمی-گردآوری و تالیف- جلد اول- انتشارات پویش اندیشه - اصفهان ISBN: 9789645440327- 2015 (1394)

پروژه ها

  • 1395
    طراحی پراب التراسونیک
    عضو تیم طراحی

افتخارات

  • 1395
    داور علمی مجله ISI، Iranian Journal of Chemistry and Chemical Engineering
  • 1394
    دارای سهمیه ادامه تحصیل در مقطع ارشد بدون آزمون
  • 1394
    محقق پارک علم و فناوری دانشگاه سمنان، از سال 1394

علایق و فعالیت های داوطلبانه

  • کار در کارخانه مگاموتور( بیش از 400 ساعت به عنوان کارآموز)
  • شرکت در اولین کنفرانس بین المللی موتورهای احتراق داخلی در دانشگاه سمنان سال 1391
  • شرکت در کارگاه تخصصی موتور و گیربکس پژوه 206TU3 در اولین کنفرانس بین المللی موتورهای احتراق داخلی در دانشکده مکانیک سمنان سال 1391
  • همکاری و مشارکت به عنوان ستاد تبلیغات در دومین کنفرانس انتقال حرارت و جرم در دانشگاه سمنان سال 1393
  • شرکت در کارگاه تخصصی جست و جوی پیشرفته به مدت 20 ساعت

نقاط قوت رفتاری

  • استراتژی محوری (تفکر راهبردی)
  • تاثیر گذاری / مذاکره
  • تعهد و انگیزه خدمت
  • رهبری
  • کار تیمی (روحیه مشارکتی)
  • مسئولیت پذیری و پاسخگویی

دانش تخصصی

  • مهندسی مکانیک
    80% Complete
    عنوان مدرک:
  • مدیریت پروژه
    80% Complete
    عنوان مدرک:
  • Team Motivation (انگیزه سازی تیمی)
    100% Complete
    عنوان مدرک:

ابزار و نرم افزار

  • آباکوس(ABAQUS)
    80% Complete
    عنوان مدرک:
  • Solidworks
    80% Complete
    عنوان مدرک:
  • برنامه نویسی MATLAB
    80% Complete
    عنوان مدرک:

زبان

  • انگلیسی
    60% Complete
    عنوان مدرک:
دانش تخصصی
  • مهندسی مکانیک
    80% Complete
    عنوان مدرک:
  • مدیریت پروژه
    80% Complete
    عنوان مدرک:
  • Team Motivation (انگیزه سازی تیمی)
    100% Complete
    عنوان مدرک:
https://.com