| dc.creator |
SEVİNDİR, Mustafa Kemal; YILDIZ TEKNİK ÜNİVERSİTESİ |
|
| dc.creator |
GÖNÜL, Alişan; YILDIZ TEKNİK ÜNİVERSİTESİ |
|
| dc.creator |
ÇEBİ, Alican |
|
| dc.creator |
MERCAN, Hatice; YILDIZ TEKNİK ÜNİVERSİTESİ |
|
| dc.date |
2019-12-25T00:00:00Z |
|
| dc.date.accessioned |
2020-01-02T08:34:04Z |
|
| dc.date.available |
2020-01-02T08:34:04Z |
|
| dc.identifier |
https://dergipark.org.tr/tr/pub/sdufenbed/issue/49749/503829 |
|
| dc.identifier |
10.19113/sdufenbed.503829 |
|
| dc.identifier.uri |
http://acikerisim.sdu.edu.tr/xmlui/handle/123456789/49349 |
|
| dc.description |
Buçalışmada, literatürdeki hazır deneysel veriler kullanılarak, yatay pürüzsüz borulardayoğuşmadaki Nusselt sayısını belirlemek için yapay sinir ağları (ANN) yöntemikullanılmıştır. R32, R134a ve %50/%50 ve %60/%40 R32/R125 azeotropik soğutucukarışımlarının yoğuşma ısı transferi dört farklı ANN yöntemi ile incelendi;Levenberg-Marquardt, Bayes düzenlenmesi, ölçeklenmiş eşlenik değişim ve esnekgeri yayılımı. Deneysel veriler Dobson ve ark.[1]’nın çalışmalarındanalınmıştır. Giriş parametreleri kütle akısı, kalite, hidrolik çap, Soliman'ın değiştirilmişFroude sayısı, akışkan faz yoğunluğu ve çıkış parametresinin yoğuşmadakiNusselt sayısının olduğu sıvı fazın dinamik viskozitesidir. Bu çalışmada, boruçapları aralığı 3,14-7,04 mm arasında ve kütle akı aralığı 50-800 kg/m2arasındadır. Eğitim algoritmaları farklı nöron sayıları kullanılarak testedildi ve en iyi algoritma 8 nörona sahip Bayes düzenlenmesi olarak bulundu. ANNkullanılarak değerlendirilen Nu sayısının deney sonuçlarına göre ±%15 hata payıolduğu gözlenmiştir. Ayrıca, artan kütle akı oranları için hata payı ±%5civarındadır. |
|
| dc.description |
Inthis study, using readily available experimental data in the literature,artificial neural networks (ANN) method is adopted to specify condensationNusselt number in horizontal smooth tubes. Condensation heat transfer of R22,R134a and 50/50 and 60/40 of the R32/ R125 azeotropic refrigerant mixtures wereexamined with four different ANN methods. The experimental data is taken fromthe study of Dobson et al. [1]. The input parameters are mass flux, quality,hydraulic diameter, Soliman's modified Froude number, density of fluid phaseand dynamic viscosity of liquid phase where the output parameter is thecondensation Nusselt number. In this study the interval for tube diameters isbetween 3.14-7.04 mm, and the interval for mass flux is between 50-800 kg/m2s. The training algorithms are tested usingdifferent neuron numbers and the best algorithm was found as Bayesianregularization having 8 neurons. It is observed that the Nu number evaluatedusing ANN is ± 15% error margin compared to experimental results. Furthermore,for increasing mass flux rates the error margin is around ± 5%. |
|
| dc.format |
application/pdf |
|
| dc.language |
en |
|
| dc.publisher |
Süleyman Demirel University |
|
| dc.publisher |
Süleyman Demirel Üniversitesi |
|
| dc.relation |
https://dergipark.org.tr/tr/download/article-file/876832 |
|
| dc.source |
Volume: 23, Issue: 3
871-877 |
en-US |
| dc.source |
1308-6529 |
|
| dc.subject |
Yoğuşma,Yapay sinir ağları,Soğutucu akışkan,Nusselt sayısı,Yatay pürüzsüz boru |
|
| dc.subject |
Condensation,Artificial neural networks,Refrigerant,Nusselt number,Horizontal smooth tube |
|
| dc.title |
Yatay Pürüzsüz Borularda Yoğuşmadaki Nusselt Sayısının Belirlenmesi için Yapay Sinir Ağ Teknikleri |
tr-TR |
| dc.title |
Artificial Neural Network Techniques for the Determination of Condensation Nusselt Number in Horizontal Smooth Tubes |
en-US |
| dc.type |
info:eu-repo/semantics/article |
|