LiBr + $LiNO_3$ + LiI + LiCl / $H_2O$ ile çalışan çift etkili bir soğurmalı soğutma sisteminin analizi için farklı bir yaklaşım

A different approach for the analysis of a double - effect sorption refrigeration system operating with LiBr + $LiNO_3$ + LiI + LiCl / $H_2O$

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 + LiNO3 + LiI + LiCl / H2O (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 (R2=0,9939), sistemin etkinlik katsayısının belirlenmesi için yeni bir formülasyon türetilmiştir.

Abstract

Thermodynamic analysis of the sorption refrigeration systems is too complex because of analytic functions calculating thermodynamic properties of fluid couples. This paper presents a new approach to performance analysis of double-effect sorption refrigeration systems. Fluid couple LiBr + LiNO3 + LiI + LiCl / H2O (mole ratio LiBr:LiNO:LiI:LiCl = 5:1:1:2, respectively) which do not cause ozone depletion in the system was used. The Coefficient of Performance (COP) of system depending on evaporator, absorber, condenser and generator temperatures was predicted with Artificial Neural Network (ANN) model. The back-propagation learning algorithm with two different variants and logistic sigmoid transfer function were used in the ANN. In order to train the neural network, limited literature data were used. In order to determine COP of system, a new formulation was derived by very well trained ANN model (R2=0,9939) in the study.