شناسایی تابع عملکرد چیلر جذبی دواثره جریان موازی به کمک شبکه های عصبی مصنوعی

سال انتشار: 1386
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,018

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISME15_213

تاریخ نمایه سازی: 8 فروردین 1386

چکیده مقاله:

بهینه سازی چیلرهای جذبی به علت عدم دسترسی به توابع عملکرد آنها کار بسیار مشکلی است. در این مقاله جهت حل این مشکل از شبکه عصبی جهت شناسایی تابع عملکرد یک چیلر جذبی دو اثره جریان موازی با ظرفیت 350kw استفاده شده است. به کمک شبکه عصبی، رابطه ای تحلیلی برای ضریب عملکرد چیلر جذبی و بار حرارتی کندانسور بر حسب برخی از پارامترهای مهم داخلی نظیر دبی محلول، نسبت گردش محلول، غلظت محلول و نسبت توزیع محلول به دست آمده است. جهت شناسایی تابع عملکرد چیلر از یک شبکه عصبی پرسپترون دو لایه استفاده شده است. مقادیر مورد نیاز جهت اموزش و تست شبکه عصبی، از مدلسازی ترمودینامیکی سیکل عملکرد چیلر جذبی بدست امده اند. نتایج شبیه سازی نشان میدهند که شبکه عصبی طراحی شده برای داده های تست دقت بسیار مناسبی داشته و می توان از پارامترهای بدست امده برای اهداف دیگر مانند بهینه سازی چیلر استفاده نمود.

کلیدواژه ها:

چیلر جذبی دو اثره جریان موازی ، شبکه های عصبی

نویسندگان

سیدمحمدابراهیم درخشانی

کارشناسی ارشد، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک

سیدمصطفی حسینعلی پور

کارشناسی ارشد، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک

محمدمهدی عارفی

کارشناسی ارشد، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • . Kalogirou SA, Panteliou S, Dentsoras A. Artificial neural -networks ...
  • . Chow TT, Zhang GQ, Lin Z, Song CL. Global ...
  • . Kalogirou SA, Panteliou S, Dentsoras A. Modeling of solar ...
  • . Kalogirou SA, Neocleous CS, Schizas CN.Artificial neural -networks for ...
  • . Kalogirou SA, Bojic M. Artificial neural-netwo rks for the ...
  • . Pacheco-Vega A, Sen M, Yang KT, McClain RL. Neural ...
  • h eat-exchanger with limited experimental data. Int J Heat Mass ...
  • . Palau A, Velo E, Puigjaner L. Use of neural ...
  • . Chouai A, Laugier S, Richon D. Modeling of th ...
  • . Sharma R, Singhal D, Ghosh R, Dwivedi A. Potential ...
  • . Bechtler H, Browne MW, Bansal PK, Kecman V. New ...
  • . Sencan A., Kemal A., Yakuta S., Soteris E., Kalogiroub ...
  • . Sencan A., Artificial intelligent methods for thermodynami c evaluation ...
  • A mmonia-wate r refrigeration systems Energy C O nvers ion&Man ...
  • . Bechtler H., Browne M.W., Bansal P.K., Kecman V., New ...
  • . Sozen A., Arcaklioglu E., Ozalp M., A new approach ...
  • Of Ej ector-ab sorption cycle: artificial neural networks. Appl. Thermal ...
  • . Palau A., Velo E., Puigjaner L. Use of neural ...
  • . Chouai A., Laugier S., Richon D. Modeling of th ...
  • . Kaita Y. Thermodynami c Properties of Lithium B romide-Water ...
  • . Iyoki S., Tanaka K., and Uemura T., Theoretical performance ...
  • . Hagan M.T. and Menhaj M., Training feed forward networks ...
  • . Haykin S, Neural Networks: A Comprehen sive Foundation, Prentice ...
  • نمایش کامل مراجع