CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بکارگیری شبکه های عصبی مصنوعی و الگوریتم ژنتیک جهت بهینه سازی عملکرد چیلر جذبی دو اثره جریان موازی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۴۱۳۴ | نظرات: ۰
سرفصل ارائه مقاله: انرژی و محیط زیست - صرفه جویی در مصرف انرژی در ساختمان و صنعت
سال انتشار: ۱۳۸۷
کد COI مقاله: ISME16_328
زبان مقاله: فارسی
حجم فایل: ۳۴۴.۵۷ کیلوبایت (فایل این مقاله در ۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بکارگیری شبکه های عصبی مصنوعی و الگوریتم ژنتیک جهت بهینه سازی عملکرد چیلر جذبی دو اثره جریان موازی

  سیدمحمدابراهیم درخشانی - کارشناسی ارشد دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک
  سیدمصطفی حسینعلی پور - استادیار، دانشگاه علم و صنعت ایران، دانشکده مهندسی مکانیک

چکیده مقاله:

بهینه سازی چیلرهای جذبی به علت عدم دسترسی به توابع عملکرد انها 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، غظلت محلول ونسبت توزیع محلول به دست آمده است. جهت شناسایی تابه عملکرد چیلر از یک شبکه عصبی پرسپترون دو لایه استفاده شده است. مقادیر مورد نیاز جهت آموزش و تست شبکه عصبی، از ملدسازی 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 دارد. سپس بابکارگیری تابع عملکرد بدست آمده از شبکه عصبی و استفاده از الگوریتم ژنتیک، مقدار بهینه ای برای پارامترهای داخلی نظیر دبی محلول، نسبت گردش محلول، غلظت محلول و نسبت توزیع محلول جهت افزایش مقدارضریب عملکرد چیلر و کاهش بار حرارتی کندانسور استخراج گردید.

کلیدواژه‌ها:

چیلر جذبی دو اثره جریان موازی ، شبکه های عصبی ، الگوریتم ژنتیک

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ISME16-ISME16_328.html
کد COI مقاله: ISME16_328

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
درخشانی, سیدمحمدابراهیم و سیدمصطفی حسینعلی پور، ۱۳۸۷، بکارگیری شبکه های عصبی مصنوعی و الگوریتم ژنتیک جهت بهینه سازی عملکرد چیلر جذبی دو اثره جریان موازی، شانزدهمین کنفرانس سالانه مهندسی مکانیک، کرمان، دانشکده فنی مهندسی دانشگاه شهید باهنر، https://www.civilica.com/Paper-ISME16-ISME16_328.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (درخشانی, سیدمحمدابراهیم و سیدمصطفی حسینعلی پور، ۱۳۸۷)
برای بار دوم به بعد: (درخشانی و حسینعلی پور، ۱۳۸۷)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • H. Bechtler, M.W. Browne, P.K. Bansal, V. Kecman, New approach ...
  • Adnan Sozen, Erol Arcaklioglu, Mehmet Ozalp, A new approach to ...
  • استفاده از شبکه های عصبی مصنوعی جهت شناسایی خواص ترمودینامیکی محلول لیتیوم برماید آب [مقاله کنفرانسی]
  • شناسایی تابع عملکرد چیلر جذبی دواثره جریان موازی به کمک شبکه های عصبی مصنوعی [مقاله کنفرانسی]
  • T.T.Chow, G.Q.Zhang, Z.Lin, C.L.Song, Global optimization of absorption chiller system ...
  • Palau A., Velo E., Puigjaner L. Use of neural networks ...
  • G.P.Xu, Y.Q.Dai, K.W.Tou and C.P.Tso, Theoretical analysis and optimization of ...
  • Chouai A., Laugier S., Richon D. Modeling of thermo dynamic ...
  • M.T. Hagan and M. Menhaj, Training feedforward networks with the ...
  • Simon Haykin, Neural Networks: A C omprehensive Foundation, Prentice Hall ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۹۷۹۶
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.