پیش بینی عملکرد چیلر جذبی تک اثره بخار با استفاده از شبکه عصبی مصنوعی
محورهای موضوعی : یافته های نوین کاربردی و محاسباتی در سیستم های مکانیکیفرشاد پناهی زاده 1 , مهدی حمزه ای 2 , محمود فرزانه گرد 3
1 - گروه مهندسی مکانیک، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
2 - گروه مهندسی مکانیک، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
3 - گروه مهندسی مکانیک، دانشگاه فردوسی مشهد، مشهد، ایران
کلید واژه:
چکیده مقاله :
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 15285 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 7-10×183/3 و 8-10×466/7 دارا می باشد که حاکی از دقت بالای این روش در پیش بینی عملکرد چیلر جذبی است.
Depending on the temperature and pressure of the heat source, single-effect absorption chillers are categorized in two types of hot water and steam single-effect chillers. Due to the ability to use the waste steam in oil, gas and petrochemical industries for air conditioning and process cooling purposes, the steam type chiller is more widely used. In this study, the artificial neural network is exploited in the prediction of the steam single-effect absorption chiller performance since it is faster and has lower computational cost compared to thermodynamic modeling methods. The perceptron multilayer neural network with the error backpropagation algorithm, the hyperbolic tangent excitation function and the Levenberg-Marquardt learning method with 15285 data points and also the mean squared error estimation index are used. Inputs of the artificial neural network are the inlet cooling tower water temperature, inlet chilled water temperature, inlet steam temperature, outlet chilled water temperature and the solution heat exchanger efficiency respectively. Also, outputs of the neural network are the coefficient of performance and thermal energy consumption of the chiller. Results of this study show that the artificial neural network is capable to predict the coefficient of performance and the thermal energy consumed by the single-effect absorption chiller while the values of mean squared error are 3.183×10^(-7) and 7.466×10^(-8) respectively which verify the accuracy of the method proposed here in absorption chiller performance prediction.
