پیوندهای مفید
آمار
| تعداد نشریات | 9 |
| تعداد شمارهها | 446 |
| تعداد مقالات | 5,719 |
| تعداد مشاهده مقاله | 8,018,486 |
| تعداد دریافت فایل اصل مقاله | 6,527,293 |
مقایسه شبکه عصبی پرسپترون و تابع پایه شعاعی در مدلسازی مبدل حرارتی با کانال مارپیچ مستطیلی | ||
| نشریه مهندسی مکانیک امیرکبیر | ||
| مقاله 4، دوره 56، شماره 5، 1403، صفحه 699-716 اصل مقاله (903.6 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22060/mej.2024.22833.7684 | ||
| نویسنده | ||
| رضا بیگزاده* | ||
| دانشکده مهندسی، دانشگاه کردستان، سنندج، ایران، | ||
| چکیده | ||
| در این تحقیق از شبیهسازی دینامیک سیالات محاسباتی برای بررسی تاثیر پارامترهای هندسی کانالهای مارپیچ مستطیلی بر ضریب انتقال حرارت استفاده شد. دو مدل شبکه عصبی مصنوعی پرسپترون و تابع پایه شعایی برای مدلسازی انتقال حرارت در کانالهای مارپیچ مستطیلی استفاده شد. ورودیهای مدلها شامل عدد رینولدز و پارامترهای هندسی کانال و خروجی آنها عدد ناسلت درنظر گرفته شد. 135 داده توسط شبیهسازی دینامیک سیالات محاسباتی ایجاد و پس از تایید اعتبار برای آموزش و ارزیابی مدلهای شبکه عصبی استفاده شد. نتایج حاصل از تحقیق نشان داد که دقت شبکه عصبی پرسپترون کمی بالاتر از تابع پایه شعایی بود و در کل دو مدل قابلقبول بودند. با توجه به دقت قابلقبول این دو مدل، آنها را میتوان بهخوبی در تحقیقات آینده و برنامههای کاربردی استفاده کرد. نوآوری اصلی در مقایسه دو روش مختلف برای مدلسازی مبدل حرارتی با کانال مارپیچ مستطیلی و ارائه نتایج برای هر دو روش است. این پژوهش نشان میدهد که استفاده از شبکه عصبی پرسپترون و تابع پایه شعاعی میتواند در بهبود عملکرد و بهرهوری مبدل حرارتی موثر باشد. این تحقیق میتواند به عنوان راهنمایی برای انتخاب روش مناسب برای مدلسازی مبدلهای حرارتی مورد استفاده قرار گیرد و به بهبود فناوریهای مرتبط با این حوزه کمک کند. | ||
| کلیدواژهها | ||
| کانال مارپیچ مستطیلی؛ شبکه عصبی پرسپترون؛ تابع پایه شعاعی؛ دینامیک سیالات محاسباتی؛ مبدل حرارتی | ||
| عنوان مقاله [English] | ||
| Comparison of Perceptron and Radial Basis Function Neural Networks in Modeling Heat Exchangers with Rectangular Helical Channels | ||
| نویسندگان [English] | ||
| Reza Beigzadeh | ||
| Department of Chemical Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran | ||
| چکیده [English] | ||
| In this research, computational fluid dynamics method was used to investigate the effect of geometrical parameters of rectangular spiral channels on heat transfer coefficient. Two artificial neural networks including perceptron (MLP) and radial basis function (RBF) models were used to model the heat transfer in helical channels. The model inputs included the Reynolds number and geometric parameters of the channels, and output was the Nusselt number. 135 data were generated by Computational Fluid Dynamics (CFD) simulation and after validation were used for training and evaluation of neural network models. The results of the research showed that the accuracy of MLP was slightly higher than RBF, however, both models were acceptable. Due to the high and acceptable accuracy of these two models, they can be well used in future research and applications. In this research, the main innovation is comparing two different methods for modelling the heat exchanger with a rectangular helical channel. This research shows that the use of perceptron neural network and radial basis function can both be effective in improving the performance and efficiency of the heat exchanger. This research can be used as a guide to choose the appropriate method for modeling heat exchangers and help to improve technologies related to this field. | ||
| کلیدواژهها [English] | ||
| Rectangular Spiral Channels, Perceptron Neural Network, Radial Basis Function, Computational Fluid Dynamics, Heat Exchanger | ||
| مراجع | ||
|
[1] V. Irabatti, Y. Patil, S. Kore, V. Barangule, A. Kothe, Comprehensive review of spiral heat exchanger for diverse applications, Materials Today: Proceedings, 72 (2023) 1328-1334. [2] S. Soltanian, R. Beigzadeh, Computational fluid dynamics and fuzzy logic for modeling conical spiral heat exchangers, Chemical Engineering & Technology, 46(4) (2023) 747-755. [3] R. Beigzadeh, S. Eiamsa-ard, Fuzzy logic to thermal and friction characteristics of turbulent air-flow over diamond-shaped turbulators, International Communications in Heat and Mass Transfer, 120 (2021) 105001. [4] M. Rastegarmoghaddam, M. Rajabi, S.D. Nikkhouy Tanha, Use of Artificial Intelligence to Identify Adhesive Joints Defects by Using Ultrasonic, Amirkabir Journal of Mechanical Engineering, 54(2) (2022) 377-390. [5] M. Sridharan, Applications of artificial intelligence techniques in heat exchanger systems, in: Advanced Analytic and Control Techniques for Thermal Systems with Heat Exchangers, Elsevier, 2020, pp. 325-334. [6] M. Mohanraj, S. Jayaraj, C. Muraleedharan, Applications of artificial neural networks for thermal analysis of heat exchangers–a review, International Journal of Thermal Sciences, 90 (2015) 150-172. [7] E. Reynoso-Jardón, A. Tlatelpa-Becerro, R. Rico-Martínez, M. Calderón-Ramírez, G. Urquiza, Artificial neural networks (ANN) to predict overall heat transfer coefficient and pressure drop on a simulated heat exchanger, International Journal of Applied Engineering Research, 14(13) (2019) 3097-3103. [8] J. Shieh, H. Chen, L. Ferng, Application of a fuzzy logic controller in temperature control of a pilot high-temperature short-time heat exchanger, Food Control, 3(2) (1992) 91-96. [9] C. Yu, Y. Wang, H. Zhang, B. Gao, Y. He, Thermal-hydraulic performance prediction of two new heat exchangers using RBF based on different DOE, Open Physics, 19(1) (2021) 285-304. [10] P. Ramkumar, C. Vivek, S. Ramasamy, A. Kajavali, M. Sivasubramanian, Experimental and numerical study using ANFIS-neuro fuzzy model on heat pipe heat exchanger, Materials Today: Proceedings, 62 (2022) 2152-2162. [11] B. Shilpa, V. Leela, An artificial intelligence model for heat and mass transfer in an inclined cylindrical annulus with heat generation/absorption and chemical reaction, International Communications in Heat and Mass Transfer, 147 (2023) 106956. [12] H. Jin, M. Wang, H. Xiang, X. Liu, C. Wang, D. Fu, A PSO-RBF prediction method on flow corrosion of heat exchanger using the industrial operations data, Process Safety and Environmental Protection, 183 (2024) 11-23. [13] Y. Ji, Z. Yang, J. Ran, H. Li, Multi-objective parameter optimization of turbine impeller based on RBF neural network and NSGA-II genetic algorithm, Energy Reports, 7 (2021) 584-593. [14] B. Wu, Dynamic performance simulation analysis method of split shaft gas turbine based on RBF neural network, Energy Reports, 7 (2021) 947-958. [15] D. Taler, J. Taler, Simple heat transfer correlations for turbulent tube flow, in: E3S Web of conferences, EDP Sciences, 2017, pp. 02008. [16] A.H. Fath, F. Madanifar, M. Abbasi, Implementation of multilayer perceptron (MLP) and radial basis function (RBF) neural networks to predict solution gas-oil ratio of crude oil systems, Petroleum, 6(1) (2020) 80-91. | ||
|
آمار تعداد مشاهده مقاله: 584 تعداد دریافت فایل اصل مقاله: 504 |
||