Direkt genleşmeli evaparatörün yapay sinir ağları ile modellenmesi

Özet

İklimlendirme ve soğutma sistemlerinde kullanılan evaparatör kapasitesinin hesabı ve bu değeri sağlayan cihazın seçiminin sistem verimi üzerinde önemi büyüktür. Bir evaparatörün soğutma kapasitesi; hava geçiş kesit alanı, hava hızı, soğutucu akışkan sıcaklığı, boru çapı, boru sıra sayısı, kanatçık yapısı ve aralıkları vb.değerlere bağlıdır. Soğutma kapasitesinin çok sayıda değişkene bağlı olması ve karmaşık ısı taşınım problemlerini içermesi hesapları zorlaştırmaktadır. Bu çalışmada farklı hava geçiş kesit alanı, boru sıra sayısı ve hava hızları için düzenlenmiş evaparatör seçim tablosu ; mimarisi bu işlem için tasarlanmış farklı Yapay Sinir Ağlarının (YSA) eğitiminde kullanılmıştır. Ağların üçer giriş ve çıkış hücresi bulunmaktadır. Gizli katmanlarında ise 6, 8, 10 ve 13 hücre kullanılmıştır. Bu YSA'larda eğitime karesel hata ($varepsilonleq 0,0001$)değerine ulaşılıncaya kadar eğitime devam edilmiştir. 6 ve 8 hücreli YSA'larda istenilen hata değeri sağlanamamış, 10 ve 13 hücreli YSA'larda bu değere ulaşılmış ve tablodaki eğitimde kullanılmayan verilerle YSA'lar test edilmiştir. Test sonucunda ortalama bağıl hata değerinin küçük çıkması Yapay Sinir Ağlarının bu alandaki kullanılabilirliğini göstermektedir.

Abstract

The calculations of coil capacity used for air conditioning and cooling, and selection of the convenient equipment are affective to the performance of a system. The cooling capacity of a coil is subjected to cross sectional area of air flow, velocity of air, temperature of cooling fluid, diameter of pipe, pipe sequence number, winglet structure and distances, etc. Cooling capacity depends on various variables and it includes heat convection problems make calculations hard. In this study, a coil selection table, which comprises different variables of cross sectional area of air flow, pipe sequence number and velocity of air, were employed for training of a ANN. The network has three input and three output layers. In the hidden layers, the number of 6, 8, 10 and 13 layers were experimented. The training were carried out until the square error reaches $varepsilonleq 0,0001$. The network with 6 and 8 layers were not able to stay under the accepted error. The network with 10 and 13 were able to prove the error and this training were carried out the data in the table that were not used in training. In the results of tests, the mean relative errors were appeared to be small and it shows that the ANN can be successfully used in this area.