Year 2020, Volume , Issue 18, Pages 779 - 789 2020-04-15

Thermal Modeling and Performance Analysis for a Chevron Type Heat Exchanger by Using Artificial Neural Network with Limited Experimental Data
Sınırlı Deneysel Verilerle Yapay Sinir Ağı Kullanılarak Chevron Tipi Isı Değiştirici için Termal Modelleme ve Performans Analizi

Mehmet Hakan DEMİR [1]


The problem of heat exchange between two or more fluids at different temperatures is one of the most important and most common problems of engineering applications. In order to solve this problem efficiently, the transfer of energy between two liquids at different temperatures is carried out by heat exchangers. Heat exchangers increase the energy efficiency as they can transfer the energy contained in the system to another part of the process instead of just pumping and wasting. A plate heat exchanger, a variant of heat exchanger, use a series of thin plates to transfer heat between two liquids. Thermal modelling of the heat exchanger is important due to determination of the outlet temperature of fluids depending on the system parameters. In this paper, an artificial neural network (ANN) model is used to simulate the thermal performance of a chevron type plate heat exchanger using water as working fluid. The ANN algorithms have a widely usage in thermal analysis studies of heat exchangers such as modelling of heat exchangers, estimation of heat exchanger parameters, estimation of phase change characteristics in heat exchangers and control of heat exchangers. The outer temperatures of the water are estimated depending on the cold water mass flow rate, inlet hot water temperature and inlet cold water temperature by using limited experimental data. Then the experimental results and the estimated results are compared for testing the accuracy and reliability of the developed algorithm. The results show that the experimental and estimated results have a good agreement. The developed network structure estimates the outlet temperatures with 2.58 % and 1.80 % for hot and cold water, respectively. In addition, the predicted performance of the network developed by applying untested input parameters was examined. Estimation accuracy was compared with theoretically calculated output temperatures by thermal analysis using the same inputs. According to the obtained results, it is seen that the theoretical results and prediction results are compatible with each other in determining the output for new inputs and the reliability of the developed network is proved in different inputs according to this result. After that, experimentally not obtained variations of the heat transfer rate, overall heat transfer coefficient and energy efficiency are determined depending on the inlet temperatures and mass flow rate of cold water.
Farklı sıcaklıklardaki iki veya daha fazla akışkan arasındaki ısı değişimi problemi, mühendislik uygulamalarının en önemli ve en çok karşılaşılan problemlerden birisidir. Bu problemi verimli bir şekilde çözmek için farklı sıcaklıklardaki iki sıvı arasında enerji aktarma işlemi ısı eşanjörleri ile gerçekleştirilir. Isı eşanjörleri, sistemde bulunan enerji sadece pompalanmak ve boşa harcamak yerine sürecin başka bir kısmına aktarabildiği için enerji verimliliğini arttırırlar. Isı eşanjörlerinin bir çeşidi olan plakalı bir ısı eşanjörleri, ısıyı iki sıvı arasında aktarmak için bir dizi ince plaka kullanmaktadırlar. Isı değiştiricinin termal modellemesi, sistem parametrelerine bağlı olarak sıvıların çıkış sıcaklığının belirlenmesinden dolayı oldukça önemlidir. Bu yazıda, çalışma sıvısı olarak su kullanılan bir Chevron tipi plakalı ısı eşanjörünün termal performansını simüle etmek için yapay bir sinir ağı (YSA) modeli kullanılmıştır. YSA algoritmaları, ısı eşanjörlerinin modellenmesi, ısı eşanjörü parametrelerinin tahmini, ısı eşanjörlerindeki faz değişim özelliklerinin tahmini ve ısı eşanjörlerinin kontrolü gibi ısı eşanjörlerinin termal analiz çalışmalarında yaygın olarak kullanılmaktadır. Sıcak ve soğuk suyun eşanjörden çıkış sıcaklıkları sınırlı deneysel veriler kullanılarak soğuk su kütle akış hızına, giriş sıcak su sıcaklığına ve giriş soğuk su sıcaklığına bağlı olarak tahmin edilmiştir. Daha sonra geliştirilen algoritmanın doğruluğunu ve güvenilirliğini test etmek için deney sonuçları ve tahmini sonuçlar karşılaştırılmıştır. Elde edilen sonuçlara göre deneysel ve tahmini sonuçların iyi bir uyuşmaya sahip olduğunu göstermektedir. Geliştirilen ağ yapısı, sıcak ve soğuk su için çıkış sıcaklıklarını sırasıyla % 2.58 ve % 1.80 ile tahmin etmektedir. Ek olarak, deneyi gerçekleştirilmemiş giriş parametreleri uygulanarak geliştirilen ağın tahmin performansı incelenmiştir. Tahmin doğruluğu ise aynı girişler kullanılarak termal analiz ile teorik olarak hesaplanan çıkış sıcaklıkları ile karşılaştırılmıştır. Elde edilen sonuçlara göre yeni girişler için çıkışın belirlenmesinde teorik sonuçlar ile tahmin sonuçlarının birbirleriyle uyumlu olduğu görülmektedir ve bu sonuca bağlı olarak geliştirilen ağın güvenilirliği farklı girişler içinde kanıtlanmış olmaktadır. Daha sonra, deneysel olarak elde edilmemiş ısı aktarım hızı, toplam ısı aktarım katsayısı ve enerji verimliliğindeki değişiklikler, sıcak ve soğuk suyun giriş sıcaklıklarına ve soğuk suyun kütle akış hızına bağlı olarak belirlenmiştir.
  • [1] Abu-Khader, M. M. (2012). Plate heat exchangers: Recent advances. Renewable and Sustainable Energy Reviews, 16(4), 1883–1891. doi: 10.1016/j.rser.2012.01.009
  • [2] Sommers, A., Wang, Q., Han, X., Tjoen, C., Park, Y., & Jacobi, A. (2010). Ceramics and ceramic matrix composites for heat exchangers in advanced thermal systems—A review. Applied Thermal Engineering, 30(11-12), 1277–1291. doi: 10.1016/j.applthermaleng.2010.02.018
  • [3] Li, Q., Flamant, G., Yuan, X., Neveu, P., & Luo, L. (2011). Compact heat exchangers: A review and future applications for a new generation of high temperature solar receivers. Renewable and Sustainable Energy Reviews, 15(9), 4855–4875. doi: 10.1016/j.rser.2011.07.066
  • [4] Shah, R. K., & Sekuliâc Duésan P. (2012). Fundamentals of heat exchanger design. Hoboken, NJ: John Wiley & Sons.
  • [5] Rajapaksha, L. (2007). Influence of special attributes of zeotropic refrigerant mixtures on design and operation of vapour compression refrigeration and heat pump systems. Energy Conversion and Management, 48(2), 539–545. doi: 10.1016/j.enconman.2006.06.001
  • [6] Huminic, G., & Huminic, A. (2012). Application of nanofluids in heat exchangers: A review. Renewable and Sustainable Energy Reviews, 16(8), 5625–5638. doi: 10.1016/j.rser.2012.05.023
  • [7] Yang, K.-T. (2008). Artificial Neural Networks (ANNs): A New Paradigm for Thermal Science and Engineering. Journal of Heat Transfer, 130(9). doi: 10.1115/1.2944238
  • [8] Sen M., & Yang, K.-T. (2000). Applications of artificial neural networks and genetic algorithms in thermal Engineering, in: F. Kreith (Ed.), CRC Handbook of Thermal Engineering, 620-661 (Section 4.24).
  • [9] Selbaş, R., Şencan, A., & Kılıç, B. (2008). Alternative approach in thermal analysis of plate heat exchanger. Heat and Mass Transfer, 45(3), 323–329. doi: 10.1007/s00231-008-0427-z
  • [10] Peng, H., & Ling, X. (2009). Neural networks analysis of thermal characteristics on plate-fin heat exchangers with limited experimental data. Applied Thermal Engineering, 29(11-12), 2251–2256. doi: 10.1016/j.applthermaleng.2008.11.011
  • [11] Ertunc, H. M., & Hosoz, M. (2008). Comparative analysis of an evaporative condenser using artificial neural network and adaptive neuro-fuzzy inference system. International Journal of Refrigeration, 31(8), 1426–1436. doi: 10.1016/j.ijrefrig.2008.03.007
  • [12] Ermis, K. (2008). ANN modeling of compact heat exchangers. International Journal of Energy Research, 32(6), 581–594. doi: 10.1002/er.1380
  • [13] Pacheco-Vega, A., Dı´az, G., Sen, M., Yang, K. T., & Mcclain, R. L. (2000). Heat Rate Predictions in Humid Air-Water Heat Exchangers Using Correlations and Neural Networks. Journal of Heat Transfer, 123(2), 348–354. doi: 10.1115/1.1351167
  • [14] Yildiz, A., & Ersöz, M. A. (2015). Theoretical and experimental thermodynamic analyses of a chevron type heat exchanger. Renewable and Sustainable Energy Reviews, 42, 240–253. doi: 10.1016/j.rser.2014.10.019
  • [15] Haykin, S. (1998). Neural networks: a comprehensive foundation. New York, NY: Macmillan.
  • [16] Beale, M. H., Hagan, M. T., & Demuth, H. B., (2017). Neural Network Toolbox™ User's Guide. The Mathworks Inc.
  • [17] Kakaç S., Liu, H., & Pramuanjaroenkij, A. (2012). Heat exchangers selection, rating and thermal design., 2nd ed., Florida, CRC Press.
Primary Language en
Subjects Engineering
Journal Section Articles
Authors

Orcid: 0000-0002-3934-2425
Author: Mehmet Hakan DEMİR (Primary Author)
Institution: ISKENDERUN TECHNICAL UNIVERSITY, FACULTY OF ENGINEERING AND NATURAL SCIENCES, DEPARTMENT OF MECHATRONICS ENGINEERING, DEPARTMENT OF MECHATRONICS ENGINEERING
Country: Turkey


Dates

Publication Date : April 15, 2020

APA Demi̇r, M . (2020). Thermal Modeling and Performance Analysis for a Chevron Type Heat Exchanger by Using Artificial Neural Network with Limited Experimental Data . Avrupa Bilim ve Teknoloji Dergisi , (18) , 779-789 . DOI: 10.31590/ejosat.671960