KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2006 / Cilt: 21 - Sayı: 2

R410A SOĞUTUCU AKIŞKANININ TERMODİNAMİK ÖZELLİKLERİNİN YAPAY SİNİR AĞLARI METODUYLA MODELLENMESİ

MODELING OF THERMODYNAMIC PROPERTIES OF REFRIGERANT R410A WITH ARTIFICIAL NEURAL NETWORKS

Önder KIZILKAN
Arzu ŞENCAN
Ali YAKUT
Sayfa
395–400
Yayın Tarihi
2013-03-01
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)

Modelden elde edilen denklemlerle çok daha hızlı ve basit çözümlere ulaşılmıştır.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu çalışmada, buhar sıkıştırmalı soğutma çevriminde kullanılan ve ozon tabakasına zararı olmayan çevre dostuR410a soğutucu akışkanının doyma basıncı, sıvı ve buhar entalpileri, entropileri, kızgın buhar entalpisi ve sıcaklığı gibi termodinamik özellikleri Yapay Sinir Ağları (YSA) modeliyle belirlenmiştir.
📊
Temel Bulgular & Veri:Bu formülasyonlar, ağ modeline ait ağırlık ve bias değerleri kullanılarak elde edilmiştir.
💡
Sonuç & Katkı:Modelden elde edilen denklemlerle çok daha hızlı ve basit çözümlere ulaşılmıştır.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay sinir ağları · buhar sıkıştırmalı sistemler · R410a

Özet

Bu çalışmada, buhar sıkıştırmalı soğutma çevriminde kullanılan ve ozon tabakasına zararı olmayan çevre dostuR410a soğutucu akışkanının doyma basıncı, sıvı ve buhar entalpileri, entropileri, kızgın buhar entalpisi ve sıcaklığı gibi termodinamik özellikleri Yapay Sinir Ağları (YSA) modeliyle belirlenmiştir. Bu modelde kullanılan veriler, literatürde mevcut olan ampirik ve deneysel veriler yardımıyla elde edilmiştir. Çalışmada; çok iyi eğitilmiş bir YSA modeliyle, istenilen her aralıkta soğutucu akışkanın termodinamik özelliklerinin tespiti için yeni formülasyonlar türetilmiştir. Bu formülasyonlar, ağ modeline ait ağırlık ve bias değerleri kullanılarak elde edilmiştir. Modelden elde edilen denklemlerle çok daha hızlı ve basit çözümlere ulaşılmıştır.

Abstract

In this study, thermodynamic properties as saturation pressure, saturated liquid enthalpy and entropy,superheated vapor enthalpy and temperature of R410a refrigerant, which are harmful to the ozone layer, used inthe vapor compression refrigeration systems were determined with Artificial Neural Network (ANN) model.Data of thermodynamic properties used in the study were obtained from empirical and experimental data that isavailable in the literature. In order to determine thermodynamic properties of refrigerant for all spans, newformulations were derived by ANN model which was very well trained. These formulations were derived withusing weights and bias values of network. With these formulations, faster and simple solutions can be obtained.

🔖

Bu Makaleye Atıf Yap

KIZILKAN, Ö., ŞENCAN, A., YAKUT, A. (2013). R410A SOĞUTUCU AKIŞKANININ TERMODİNAMİK ÖZELLİKLERİNİN YAPAY SİNİR AĞLARI METODUYLA MODELLENMESİ. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 21 - Sayı: 2, 395–400. https://ajindex.com/articles/21142

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (16)

  1. Çengel, A.Y., Boles, A.M, Thermodynamics: An Engineering Approach, McGraw-Hill, New York, U.S., 1994.
  2. Özkol, N., Uygulamalı Soğutma Tekniği, TMMOB Makine Mühendisleri Odası Yayın No:, Ankara, 1999.
  3. Dossat, R.J., Principles of Refrigeration, Prentice Hall, New Jersey, U.S., 1997. Dupont. 2004. DuPont de Nemours and Company Inc. http://www.dupont.com/suva
  4. Kalogirou, S.A.,“Artificial Neural Networks in Renewable Energy Systems Applications: A Review”, Renewable and Sustainable Energy Reviews, 5, 373–401, 2000.
  5. Dorvlo, S.S., Jervase, J.A., Al-Lawati, A., “Solar Radiation Estimation Using Artificial Neural Network”, Applied Energy, 71, 307–319, 2002.
  6. Civalek, Ö., “Dairesel Plakların Nöro-Fuzzy Tekniği İle Analizi”, Dokuz Eylül Üniversitesi Fen ve Mühendislik Dergisi, 1(2), 13-31, 1999.
  7. Sözen, A., Arcaklıoğlu, E., Özalp, M., Formulation based on Artificial Neural Network of Thermodynamic Properties of Ozone Friendly Refrigerant/Absorbent Couples”, Applied Thermal Engineering, 25(11-12): 1808-1820, 2005.
  8. Sözen, A., Akçayol, M.A., “Modelling (Using Artificial Neural-Networks) the Performance Parameters of a Solar-Driven Ejector-Absorption Cycle”, Applied Energy, 79(3): 309-325, 2004.
  9. 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.
  10. Kalogirou, S.A, “Applications of Artificial Neural Networks in Energy Systems: A Review”, Energy Conversion&Management, 40: 1073-1087, 1999.
  11. Fu, L.M., Neural Networks in Computer Intelligence, Mc Graw-Hill International Editions, p., 1994.
  12. Tsoukalas, L.H., Uhrig, R.E., Fuzzy and Neural Approaches In Engineering, John Wiley&Sons Inc., 587p., 1997.
  13. Efe, Ö., Kaynak, O., Yapay Sinir Ağları ve Uygulamaları, Boğaziçi Üniversitesi, İstanbul, 2000.
  14. Şencan, A., Yakut, A.K., Dikmen, E., “A New Model for Determining the Thermodynamic Properties of LiBr-H2O Solution”, G.U. Journal of Science, 17(1):101-110, 2004.
  15. Sözen, A., Arcaklıoğlu, E., Özalp, M., “Formulation based on Artificial Neural Network of Thermodynamic Properties of Ozone Friendly Refrigerant/Absorbent Couples”, Applied Thermal Engineering, 25(11-12): 1808-1820, 2005.
  16. Sözen, A., Akçayol, M.A., “Modelling (Using Artificial Neural-Networks) the Performance Parameters of a Solar-Driven Ejector-Absorption Cycle”, Applied Energy, 79(3): 309-325, 2004.