پیش بینی عملکرد چیلر جذبی تک اثره بخار با استفاده از شبکه عصبی مصنوعی

Publish place: ، Vol: 1، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 239

This Paper With 13 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JACMS-1-1_005

تاریخ نمایه سازی: 7 دی 1400

Abstract:

چیلرهای جذبی تک اثره با توجه به دما و فشار منبع حرارتی مورد استفاده به دو نوع تک اثره آب گرم و بخار تقسیم می شوند. که نوع تک اثره بخار آن به دلیل توانایی استفاده از بخار دور ریز در صنایع نفت، گاز و پتروشیمی جهت تولید سرمایش فرآیندی و تهویه مطبوعی دارای کاربرد بیشتری است. در تحقیق حاضر در خصوص پیش بینی عملکرد چیلر جذبی تک اثره بخار از شبکه عصبی مصنوعی استفاده شده که نسبت به روشهای مدلسازی ترمودینامیکی دارای سرعت بالاتر و هزینه محاسباتی کمتری است. شبکه عصبی پرسپترون چند لایه با الگوریتم پس انتشار خطا، تابع محرک تانژانت هیپربولیک و روش آموزش لونبرگ-مارکوارت با تعداد ۱۵۲۸۵ داده و شاخص ارزیابی میانگین مربع خطا بکار برده شده است. ورودی های شبکه عصبی مصنوعی به ترتیب دمای آب برج خنک کننده ورودی، دمای آب سرمایشی ورودی، دمای بخار ورودی، دمای آب سرمایشی خروجی و راندمان مبدل حرارتی محلول هستند و خروجی های شبکه عصبی نیز ضریب عملکرد و انرژی حرارتی مصرفی چیلر می باشند. نتایج حاصل از تحقیق حاضر نشان می دهند که روش شبکه عصبی مصنوعی توانایی پیش بینی ضریب عملکرد و انرژی حرارتی مصرفی چیلر جذبی تک اثره را با میانگین مربع خطا به ترتیب ۷-۱۰×۱۸۳/۳ و ۸-۱۰×۴۶۶/۷ دارا می باشد که حاکی از دقت بالای این روش در پیش بینی عملکرد چیلر جذبی است.

Authors

فرشاد پناهی زاده

گروه مهندسی مکانیک، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

مهدی حمزه ای

گروه مهندسی مکانیک، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

محمود فرزانه گرد

گروه مهندسی مکانیک، دانشگاه فردوسی مشهد، مشهد، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Panahizadeh, F., Hamzehei, M., Farzaneh-Gord, M., Ochoa, A. A. V., ...
  • Panahizadeh, F., Hamzehei, M., Farzaneh-Gord, M., Ochoa. A. A. V., ...
  • Panahizadeh, F., Hamzehei, M., Farzaneh-Gord, M., Ochoa, A. A. V., ...
  • Karasuyama, M., Inoue, K., Nakamura, R., Kandori, H., Takeuchi, I., ...
  • Farzaneh-Gord, M., Mohseni-Gharyehsafa, B., Arabkoohsar, A., Ahmadi, M. H., Sheremet, ...
  • Qian, F., Gao, W., Yang, Y., Yu, D. (۲۰۲۰), Potential ...
  • Mu, B., Li, Y., House, J.M., Salsbury, T.I., (۲۰۱۷), Real-Time ...
  • Park, S., Ahn, K. U., Hwang, S., Choi, S., Park, ...
  • Nasruddin., S., Alhamid., M. I., Saito., K., (۲۰۱۸), Hot Water ...
  • Nasruddin., A. N., Alhamid. M.I., Saha. B. B., Sholahudin. S., ...
  • نمایش کامل مراجع