Direkt genleşmeli evaparatörün yapay sinir ağları ile modellenmesi

İklimlendirme ve soğutma sistemlerinde kullanılan evaparatör kapasitesinin hesabı ve bu değeri sağlayan cihazın seçiminin sistem verimi üzerinde önemi büyüktür. Bir evaparatörün soğutma kapasitesi; hava geçiş kesit alanı, hava hızı, soğutucu akışkan sıcaklığı, boru çapı, boru sıra sayısı, kanatçık yapısı ve aralıkları vb.değerlere bağlıdır. Soğutma kapasitesinin çok sayıda değişkene bağlı olması ve karmaşık ısı taşınım problemlerini içermesi hesapları zorlaştırmaktadır. Bu çalışmada farklı hava geçiş kesit alanı, boru sıra sayısı ve hava hızları için düzenlenmiş evaparatör seçim tablosu ; mimarisi bu işlem için tasarlanmış farklı Yapay Sinir Ağlarının (YSA) eğitiminde kullanılmıştır. Ağların üçer giriş ve çıkış hücresi bulunmaktadır. Gizli katmanlarında ise 6, 8, 10 ve 13 hücre kullanılmıştır. Bu YSA'larda eğitime karesel hata ($varepsilonleq 0,0001$)değerine ulaşılıncaya kadar eğitime devam edilmiştir. 6 ve 8 hücreli YSA'larda istenilen hata değeri sağlanamamış, 10 ve 13 hücreli YSA'larda bu değere ulaşılmış ve tablodaki eğitimde kullanılmayan verilerle YSA'lar test edilmiştir. Test sonucunda ortalama bağıl hata değerinin küçük çıkması Yapay Sinir Ağlarının bu alandaki kullanılabilirliğini göstermektedir.

Modelling of direct expansioned coil using artificial neural network

The calculations of coil capacity used for air conditioning and cooling, and selection of the convenient equipment are affective to the performance of a system. The cooling capacity of a coil is subjected to cross sectional area of air flow, velocity of air, temperature of cooling fluid, diameter of pipe, pipe sequence number, winglet structure and distances, etc. Cooling capacity depends on various variables and it includes heat convection problems make calculations hard. In this study, a coil selection table, which comprises different variables of cross sectional area of air flow, pipe sequence number and velocity of air, were employed for training of a ANN. The network has three input and three output layers. In the hidden layers, the number of 6, 8, 10 and 13 layers were experimented. The training were carried out until the square error reaches $varepsilonleq 0,0001$. The network with 6 and 8 layers were not able to stay under the accepted error. The network with 10 and 13 were able to prove the error and this training were carried out the data in the table that were not used in training. In the results of tests, the mean relative errors were appeared to be small and it shows that the ANN can be successfully used in this area.

PDF

___

1. Öztürk, A., Kılıç, A., Termodinamiğin 2. Kanunu, Termodinamik Problemleri, Seç Kitap Dağıtım, İstanbul, s. 108,1987.

2. Swider, D.J., Browne, M.W., Bansal, P.K., Kecman, V., 2001, "Modelling of vapour-compression liquid chillers with neural Networks", Applied Thermal Energy, 21 (2001), s 311, Elsevier Science Ltd.

3. Kanarachos, A., Geramanis, K., 1998, "Multivariable control of single zone hydronik heating system with neural Networks", Energy Convers, 39-13, s 1317, Elsevier Science Ltd.

4. Sözen, A., Arcaklıoğlu, E., Solar potential in Turkey, Applied Energy, 80, s 35,2004.

5. Aybers, N., Soğutma makinaları, Ümran Yayınevi, Istanbul, s. 115,1992.

6. Kakaç, S., Isı Transferi, O.D.T.Ü. Yayınları, Ankara, 1987.

7. Ataman, F., Kaynak, T., Yüncü, S., "Bilgisayar ortamında Sistem Modelleme Yoluyla Yapay Zeka İçeren Çözümlerin İrdelenmesi", Elektrik- Elektronik -Bilgisayar Mühendisliği 8. Ulusal Kongresi, Gaziantep, s.677,1998.

8. Demir, Y., Tuntaş, R., Köksal, M., "Anahtarlamalı Devrelerin Yapay Sinir Ağları İle Analizi", Elektrik-Elektronik-Bilgisayar Mühendisliği 8. Ulusal Kongresi, s 673, Gaziantep, 1998.

9. Albostan, A. Gökbulut, M., "Sabit Mıknatıslı Senkron Motorların Katlı Yapay Sinir Ağları İle Modellenmesi ve Uyarmalı Denetimi", Gazi Üniversitesi Müh.Mim. Fak. Dergisi, 11, (2), 1,s. 1,1996

10. Kalogirou, S.A., 1999, "Applications of artificial neural networks in energy systems A review", Energy Conversion & Management, 40 (1999), s 1073, Elsevier Science Ltd. 1999

11. Türkoğlu. İ., Arslan, A., "Yapay Sinir Ağları İle Bozuk Örüntü Tanıma", F.Ü. Fen ve Müh. Bilimleri Dergisi, 8,1, s.147,1996.

12. Soteris, A.K., Bojic, M., 2000, Artificial neural networks for the prediction of the energy consumption of a passive solar building, Energy, 25 (2000), s 479,, Elsevier Science Ltd.

13. Üçgül, İ., Akarslan, F., Şencan, A., "Dokuma Kumaşların Kuruma Hızı Değerlerinin Yapay Sinir Ağları Metodu ile Tahmini", Isı Bilimi ve Tekniği Dergisi, 23, s. 1, 2003.

14.Altun, H., Yalçınöz, Tezekici, B.S.,1998, MLP tipi YSA 'da eğitim setinin geri yayılım algoritması ve öğrenme sürecine etkisi, Ele ktrik-Elcktronik-Bilgis ayar Mühendisliği 8. Ulusal Kongresi, s 667, Gaziantep.

15.Öztürk, A., "Osmanlıca Harflerin Geri Yayılmalı YSA ile Tanınması", Elektrik-Elektronik-Bilgisayar Mühendisliği 8. Ulusal Kongresi, s 576, Gaziantep.

16.Ülker, M., Civalek, Ö., "Yapay Sinir Ağlan ile Eksenel Yüklü Kolonların Burkulma Analizi, Turkish J. Eng. Env. Sci., 26, s. 117,2002.

17.Genel, K., Kurnaz, S.C., Durman, M., "Modelling of Tribologial Properties of Alumina fiber Reinforced Zinc-Aluminum Composites Using Artifical Neural Network", Materials Science Engineering A, A363,s. 203,2003.

18.İslamoğlu,, Y., Kurt, A., "Heat Transfer Analysis Using ANNs With Experimental Data for Air Flowing Corrugated Channels", I. J. Of Heat And Mass Transfer, 47, s. 1361,2004.

19.Klima Santraları Katalogu, Meltem Soğutma Isıtma Sanayi ve Tic. AŞ, İzmir, 1995.