Karşıt Akışlı Ranque-Hilsch Vorteks Tüpünün Performansına Tapa Açısı Etkisinin Yapay Sinir Ağları Yöntemi İle Modellenmesi

Year 2008, Volume: 28 Issue: 2 - Volume: 28 Issue: 2, 1 - 7, 01.06.2008

Kevser Dincer Şakir Taşdemir Şenol Başkaya B. Zühtü Uysal

Abstract

Bu çalışmada, deneysel verilerden yararlanılarak, karşıt akışlı Ranque-Hilsch vorteks tüpü (RHVT)’nün sıcak çıkış tarafındaki tapa uç açısının performansa etkisi yapay sinir ağı (YSA) ile modellenmiştir. Modellemede laboratuar ortamında yapılan deneysel çalışmalar sonucunda elde edilen veriler kullanılmıştır. Geliştirilen sistemde YSA uygulanan giriş parametreleri P, ξ ve ∅ çıkış parametresi ise ΔT’dir. YSA’dan elde edilen sonuçlar ile deneysel verilerin istatiksel analizleri yapılıp mukayese edildiğinde, iki grup verinin uyumlu olduğu tespit edilmiş ve aralarında anlamca hiçbir fark olmadığı görülmüştür. Sonuç olarak, bu çalışmayla YSA’nın RHVT’lerde güvenli bir şekilde kullanılabileceği ve çok sayıda deneysel dezavantajı minimuma indireceği gösterilmektedir.

Keywords

Ranque–Hilsch vorteks tüp, Performans, Yapay sinir ağları.

Modeling of The Effects of Plug T ip Angle on The Performance of Counter-Flow Ranque–Hilsch Vortex Tubes Using Artificial Neural Networks

Abstract

In this study, by making use of experimental data, the effect of plug tip angle at the hot outlet section of a counter flow Ranque-Hilsch vortex tube (RHVT) on performance has been modeled using artificial neural network (ANN). In the modeling, data which were obtained from experimental studies in a laboratory environment have been used. In the system developed, ANN apply input parameters are P, ξ and ∅, output parameter is ΔT. When the results obtained from ANN and statistical analyses of experimental data have been compared, it has been determined that the two groups of data are coherent, and that there is not a significant difference between them. As a result, this study indicates that ANN can be safely used for RHVTs and thus it can decrease many experimental disadvantages to a minimum level.

Keywords

: Ranque–Hilsch vortex tube, Performance, Artificial neural network