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

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.

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

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.

PDF

___

1. Lee, H. R., Koo, K. K., Jeong, Kim, J. S., Lee, H., S., Oh, Y. S., Park, D. R., Baek, Y.S., “Thermodynamic Design Data and Performance Evaluation of the Water + Lithium Bromide + Lithium Iodide + Lithium Nitrate + Lithium Chloride System for Absorption Chiller”, Applied Thermal Engineering, 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 Intelligence, 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.