تحلیل انتقال حرارت فرایند تغییر فاز در یک سیستم ذخیره سازی انرژی حرارتی یک لوله پره دار با استفاده از شبکه های عصبی مصنوعی

قیمت: 38,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

تحلیل انتقال حرارت فرایند تغییر فاز در یک سیستم ذخیره سازی انرژی حرارتی یک لوله پره دار با استفاده از شبکه های عصبی مصنوعی

عنوان لاتین

Heat transfer analysis of phase change process in a finned-tube thermal energy storage system using artificial neural network

در این مطالعه، یک الگوریتم شبکه عصبی مصنوعی با تغذیه رو به جلو و انتشار به عقب برای تحلیل انتقال حرارت فرایند تغییر فاز در یک سیستم ذخیره سازی انرژی حرارتی گرمای نهان یک لوله پره دار پیشنهاد می شود. ذخیره سازی گرما از طریق مواد تغییر فاز (PCM) اطراف لوله پره دار بطور آزمایشگاهی مطالعه می شود. یک مطالعه عددی برای بررسی تاثیر پره و پارامتر جریان بوسیله حل معادلات حاکم برای سیال انتقال حرارت، دیواره لوله و مواد تغییر فاز انجام می شود. فرایند یادگیری برای مرتبط کردن کل گرمای ذخیره شده در انواع مختلف پره های لوله ها، اعداد رینولدز مختلف و دماهای ورودی مختلف بکار برده می شود. یک عدد اعداد مخفی شبکه عصبی مصنوعی برای بهترین پیش بینی خروجی ذخیره سازی گرما آموزش داده می شوند. مقادیر ذخیره سازی گرمای کل پیش بینی شده بدست آمده بوسیله یک مدل شبکه عصبی مصنوعی با مجموعه های گسترده از داده های آزمایشی غیر آموزشی سپس با اندازه گیری آزمایشگاهی و نتایج عددی مقایسه می شوند. مدل شبکه عصبی مصنوعی آموزش دیده با یک خطای نسبی میانگین مطلق 58/5 % عملکرد خوب پیش-بینی مقدار کل گرمای ذخیره شده را نشان می دهد. مطالعه حاضر با استفاده از دیدگاه شبکه عصبی مصنوعی برای تحلیل انتقال حرارت در فرایند ذخیره سازی تغییر فاز ظاهر می شود تا برای کاربرد های عملی ذخیره سازی انرژی حرارتی مهم باشد.

In this study, a feed-forward back-propagation artificial neural network (ANN) algorithm is proposed for heat transfer analysis of phase change process in a finned-tube, latent heat thermal energy storage system. Heat storage through phase change material (PCM) around the finned tube is experimentally studied. A numerical study is performed to investigate the effect of fin and flow parameter by the solving governing equations for the heat transfer fluid, pipe wall and phase change material. Learning process is applied to correlate the total heat stored in different fin types of tubes, various Reynolds numbers and different inlet temperatures. A number of hidden numbers of ANN are trained for the best output prediction of the heat storage. The predicted total heat storage values obtained by an ANN model with extensive sets of non-training experimental data are then compared with experimental measurements and numerical results. The trained ANN model with an absolute mean relative error of 5.58% shows good performance to predict the total amount of heat stored. The ANN results are found to be more accurate than the numerical model results. The present study using ANN approach for heat transfer analysis in phase change heat storage process appears to be significant for practical thermal energy storage applications.