Original scientific paper
https://doi.org/10.15255/KUI.2020.076
Doprinos modeliranju otpora prljanja u izmjenjivaču topline-kondenzatoru izravnom i inverznom umjetnom neuronskom mrežom
Ahmed Benyekhlef
orcid.org/0000-0001-6021-915X
; Laboratory of Biomaterials and Transport Phenomena (LBMPT), University of Médéa, 26 000, Algeria
Brahim Mohammedi
orcid.org/0000-0001-7512-3978
; Nuclear Research Center of Birine, Djelfa,17 000, Algeria
Salah Hanini
; Laboratory of Biomaterials and Transport Phenomena (LBMPT), University of Médéa, 26 000, Algeria
Mouloud Boumahdi
orcid.org/0000-0002-4145-5824
; Laboratory of Biomaterials and Transport Phenomena (LBMPT), University of Médéa, 26 000, Algeria
Ahmed Rezrazi
; Laboratory of Biomaterials and Transport Phenomena (LBMPT), University of Médéa, 26 000, Algeria
Maamar Laidi
orcid.org/0000-0002-8977-9895
; Laboratory of Biomaterials and Transport Phenomena (LBMPT), University of Médéa, 26 000, Algeria
Abstract
Cilj ovog istraživanja bio je predvidjeti otpor prljanja primjenom umjetnih neuronskih mreža (ANN). Baza podataka za ANN modeliranje preuzeta je iz dostupne literature i sadrži podatke vezane uz prljanje kondenzacijskih cijevi u sustavu hlađenja morskom vodom u nuklearnoj elektrani. Sedam parametara korišteno je kao ulaz u neuronske mreže: bezdimenzijska temperatura morske vode, bezdimenzijski unutarnji ukupni koeficijent prijenosa topline, bezdimenzijski vanjski ukupni koeficijent prijenosa topline, bezdimenzijska temperatura kondenzatora, bezdimenzijski tlak u kondenzatoru, bezdimenzijska izlazna snaga i bezdimenzijska ukupna toplinska efikasnost. Kao izlaz uzet je bezdimenzijski otpor prljanja. Točnost modela potvrđena je statističkom analizom podudarnosti predviđenih i eksperimentalno dobivenih podataka. Rezultati su pokazali izvrsno slaganje u slučaju neuronske mreže sa 7 ulaza, 7 neurona u skrivenom sloju i 1 izlazom, uz korijen srednje kvadratne pogreške (RMSE) od 3,6588 ∙ 10–7, srednju apsolutnu postotnu pogrešku (MAPE) od 0,1295 % te visoki koeficijent determinacije (R2 = 0,99996). Nakon provedene analize osjetljivosti (sve ulazne varijable imale su snažan utjecaj na procjenu otpora prljanja), s ciljem kontrole prljanja, uspostavljen je model inverzne umjetne neuronske mreže (ANNi); model je pokazao dobro slaganje za različite vrijednosti bezdimenzijske temperature morske vode.
Ovo djelo je dano na korištenje pod licencom Creative Commons Imenovanje 4.0 međunarodna.
Keywords
izmjenjivač topline-kondenzator; zagađivanje; modeliranje; umjetna neuronska mreža; grafičko korisničko sučelje; inverzna umjetna neuronska mreža
Hrčak ID:
264636
URI
Publication date:
2.11.2021.
Visits: 1.284 *