SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 21 Sayı: 3

LiBr + LiNO3 + LiI + LiCl / H2O İLE ÇALIŞAN ÇİFT ETKİLİ BİR SOĞURMALI SOĞUTMA SİSTEMİNİN ANALİZİ İÇİN FARKLI BİR YAKLAŞIM

Arzu Şencan
Pages
—
Publication Date
2013-04-02
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Çalışmada; çok iyi eğitilmiş bir YSA modeliyle (R 2 =0,9939), sistemin etkinlik katsayısının belirlenmesi için yeni bir formülasyon türetilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Soğurmalı soğutma sistemlerinin termodinamik analizi, akışkan çiftlerinin termodinamik özelliklerini hesaplayan analitik fonksiyonlardan dolayı oldukça kompleks bir işlemdir.
📊
Key Findings & Data:Bu çalışma, çift etkili soğurmalı soğutma sistemlerinin verim analizine yeni bir yaklaşım önermektedir.
💡
Conclusion & Impact:Çalışmada; çok iyi eğitilmiş bir YSA modeliyle (R 2 =0,9939), sistemin etkinlik katsayısının belirlenmesi için yeni bir formülasyon türetilmiştir.
🔬Design:Review & Systematic Survey
📍Scope:Comprehensive Sample
⚙️Variables:Yapay sinir ağları · sorbsiyon · termodinamik özellikler

Özet

Soğurmalı soğutma sistemlerinin termodinamik analizi, akışkan çiftlerinin termodinamik özelliklerini hesaplayan analitik fonksiyonlardan dolayı oldukça kompleks bir işlemdir. Bu çalışma, çift etkili soğurmalı soğutma sistemlerinin verim analizine yeni bir yaklaşım önermektedir. Sistemde, ozon tabakasına zarar vermeyen LiBr + LiNO 3 + LiI + LiCl / H 2 O (mol oranları sırasıyla LiBr:LiNO:LiI:LiCl = 5:1:1:2) akışkan çifti kullanılmıştır. Sistemin etkinliği (COP), buharlaştırıcı, soğurucu, yoğuşturucu ve ayırıcı sıcaklıklarına bağlı olarak Yapay Sinir Ağları (YSA) modeliyle tahmin edilmiştir. YSA’da, iki değişik geriye yayılım öğrenme algoritması ve logistik sigmoid transfer fonksiyonu, eğitmek için de sınırlı sayıdaki literatür verileri kullanılmıştır. Çalışmada; çok iyi eğitilmiş bir YSA modeliyle (R 2 =0,9939), sistemin etkinlik katsayısının belirlenmesi için yeni bir formülasyon türetilmiştir.

🔖

Cite This Article

Şencan, A. (2013). LiBr + LiNO3 + LiI + LiCl / H2O İLE ÇALIŞAN ÇİFT ETKİLİ BİR SOĞURMALI SOĞUTMA SİSTEMİNİN ANALİZİ İÇİN FARKLI BİR YAKLAŞIM. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 21 Sayı: 3. https://ajindex.com/articles/1079001

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. Lee, H. R., Koo, K. K., Jeong, Kim, J. S., Lee, H., S., Oh, Y. S., Park, D. R., Baek, Y.S., “Thermo-dynamic Design Data and Performance Evaluation of the Water + Lithium Bromide + Lithium Iodide + Lithium Nitrate + Lithium Chloride System for Absorption Chiller”, Applied Thermal Engi¬neering, 17, 707-720, 2000.
  2. Kalogirou, S.A., “Applications of Artificial Neural Networks in Energy Systems A Review”, Energy Conversion & Management, 40, 1073-1087, 1999.
  3. Kalogirou, S. A., “Artificial Neural Networks in Renewable Energy Systems Applications: A Review”, Renewable and Sustainable Energy Reviews, Cilt 5, No 4, 373–401, 2000.
  4. Herold, K. E., Radermacher, R., Klein, S. A., Absorption Chilles and Heat Pumps, CRC Press, New York, 1996.
  5. Şencan, A., Kalogirou, S. A., “A New Approach Using Artificial Neural Networks for the Determination of Thermodynamic Properties of Fluid Couples”, Energy Conversion & Management, Cilt 46, No 15-16, 2405-2418, 2005.
  6. Şencan, A., Yakut, A. K., Kalogirou, S. A., “Thermodynamic Analysis of Absorption Systems Using Artificial Neural Network”, Renewable Energy, 2005 (In Press).
  7. Fu, L. M., Neural Networks in Computer Intel-ligence, Mc Graw-Hill International Editions, 1994.
  8. Tsoukalas, L.H., Uhrig, R.E., Fuzzy and Neural Approaches in Engineering, John Wiley&Sons Inc., 1997.
  9. Sözen, A., Arcaklığlu, E., Özalp, M., “Methanol/LiBr ile Çalışan Ejektörlü Absorpsiyon Soğutma Sisteminin Termodinamik Analizinde Yapay Sinir Ağlarının Kullanılması”, Teknoloji, Sayı 3-4, 27-37, 2002.
  10. Chouai, A., Laugier, S., Richon, D., “Modeling of Thermodynamic Properties Using Neural Networks Application to Refrigerants”, Fluid Phase Equilibria, 199, 53-62, 2002.
  11. Kalogirou, S. A., “Long-Term Performance Prediction of Forced Circulation Solar Domestic Water Heating Systems Using Artificial Neural Networks”, Applied Energy, 66, 63–74, 2000.
  12. Kalogirou, S. A., “Optimization of Solar Systems Using Neural-Networks and Genetic Algorithms”, Applied Energy, Cilt 77, No 4, 383-405, 2004.
  13. Chow, T. T., Zhang, G. Q., Lin, Z., Song, C. L., “Global Optimization of Absorption Chiller System by Genetic Algorithm and Neural Network”, Energy and Buildings, 34, 103-109, 2002.
  14. Pacheco-Vega, A., Sen, M., Yang, K. T., McClain, R. L., “Neural-Network Analysis of Fin-Tube Refrigerating Heat Exchanger with Limited Experimental Data”, Int. J. Heat and Mass Transfer, 44, 763-770, 2001.
  15. Bechtler, H., Browne, M. W., Bansal, P. K., Kecman, V., “New Approach to Dynamic Modeling of Vapor-Compression Liquid Chillers: Artificial Neural Networks”, Applied Thermal Engineering, 21, 941-953, 2001.