KaydedilenlerDerginizi ekleyin

Dergiler / 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
Sayfa
—
Yayın Tarihi
2013-04-02
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Soğurmalı soğutma sistemlerinin termodinamik analizi, akışkan çiftlerinin termodinamik özelliklerini hesaplayan analitik fonksiyonlardan dolayı oldukça kompleks bir işlemdir.
📊
Temel Bulgular & Veri:Bu çalışma, çift etkili soğurmalı soğutma sistemlerinin verim analizine yeni bir yaklaşım önermektedir.
💡
Sonuç & Katkı:Çalışmada; çok iyi eğitilmiş bir YSA modeliyle (R 2 =0,9939), sistemin etkinlik katsayısının belirlenmesi için yeni bir formülasyon türetilmiştir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler: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.

🔖

Bu Makaleye Atıf Yap

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

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (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.