مدلسازی بازده و پروفایل دما در ترموسیفون با شبکه عصبی

در این تحقیق، عملکرد یک ترموسیفون استوانه ای به صورت آزمایشگاهی و عددی با استفاده از شبکه عصبی مصنوعی (ANN) مورد مطالعه قرار گرفته است. بازده و پروفایل دمای قسمتهای مختلف ترموسیفون در بارهای حرارتی مختلف اعمال شده به تبخیرکننده و چگالنده و نیز نسبتهای مختلف پر شدن مورد بررسی قرار گرفت. همچنین برای کاهش اثر گازهای چگالش ناپذیر، یک لوله به انتهای بالایی چگالنده اضافه گردید و اثر افزایش این حجم اضافی و اندازه آن بر بازده ترموسیفون و پروفایل دما در آن مورد برررسی قرار گرفت. یک شبکه عصبی مصنوعی با چهار ورودی (نسبت پر شدن، بار حرارتی تبخیرکننده، بار حرارتی چگالنده و طول لوله اضافی بالای چگالنده) و دو خروجی مستقل (بازده و فشار عملیاتی داخل ترموسیفون) و یک شبکه دیگر با همان ورودی ها و دوازده خروجی برای مدلسازی پروفایل دما در ترموسیفون طراحی گردید. از الگوریتم Levenberg-Marquardt برای آموزش شبکه ها استفاده گردید. مقادیر متوسط مربع خطا (MSE) و ضریب رگراسیون به دست آمده برای داده های آموزش و ارزیابی نشان داد که شبکه های عصبی طراحی شده به نحو بسیار مطلوبی آموزش دیده اند و به خوبی قادر به پیش بینی خروجی برای داده های جدیدند. همچنین افزودن یک فضای اضافی به بالای قسمت چگالش، بازده ترموسیفون را به طور موثری افزایش می دهد.