This paper aims to explore the utilization of machine learning techniques for the accurate prediction of rheological properties in a specific nanofluid system, ZnO(50 %)-MWCNTs (50 %)/Ethylene glycol (20 %)-water (80 %), designed for nano-refrigeration applications. The effective manipulation of the rheological behavior of nanofluids is pivotal for enhancing their heat transfer efficiency and overall performance. By harnessing the predictive power of machine learning, this study endeavors to unravel the intricate relationships governing the rheological characteristics of the nano-refrigerant, ultimately contributing to the development of advanced cooling solutions. The obtained results show that μnf of ZnO(50%)-MWCNTs (50%)/ Ethylene glycol(20%)-water(80%) nano-refrigerant is little affected by T, and even when T varies, this result does not alter much. Also, the lowest μnf occurs when it has the highest temperature and the lowest γ and φ. Finally, it was concluded that the best algorithm in terms of the Taylor diagram for μnf output is the MPR algorithm and the worst is the ECR algorithm and the pattern of γ changes shows that the ideal value of γ is the biggest when μnf levels fall in tandem with their growth.

In order to carry out offshore operations smoothly in severe sea conditions, a shipborne Stewart platform for wave compensation is required. Due to the random characteristics of waves, traditional control algorithms cannot accurately compensate for the motion caused by a wave. For the electric shipborne Stewart platform, this paper proposes a backpropagation (BP)-neural-network-based proportional–integral–derivative (PID) control algorithm where the PID parameters are adaptively adjusted by a BP neural network. The control algorithm can improve the robustness and wave compensation precision of the wave compensation system. First, a numerical system model of the shipborne Stewart platform was established according to the classical kinematic model and dynamic model. Then, the BP-PID control algorithm was designed based on the joint space control. In order to reduce the network’s sensitivity to local details and quickly find the global minimum, the gradient descent method with the momentum term is used in the neural network. At last, the availability and rationality of the new method were substantiated through a simulation comparison under various sea conditions. The simulation results indicate that the proposed control method achieves a higher compensation accuracy in three directions under various sea states, compared with traditional PID control algorithm. Under the irregular wave disturbance, the new control method can reduce the position deviation by about 6.56 times compared with a traditional PID control algorithm. The new control algorithm will play an active role in the control of the shipborne Stewart platform.