R410A SOĞUTUCU AKIŞKANININ TERMODİNAMİK ÖZELLİKLERİNİN YAPAY SİNİR AĞLARI METODUYLA MODELLENMESİ

Öz

Bu çalışmada, buhar sıkıştırmalı soğutma çevriminde kullanılan ve ozon tabakasına zararı olmayan çevre dostu
R410a soğutucu akışkanının doyma basıncı, sıvı ve buhar entalpileri, entropileri, kızgın buhar entalpisi ve sıcaklığı gibi termodinamik özellikleri Yapay Sinir Ağları (YSA) modeliyle belirlenmiştir. Bu modelde kullanılan veriler, literatürde mevcut olan ampirik ve deneysel veriler yardımıyla elde edilmiştir. Çalışmada; çok iyi eğitilmiş bir YSA modeliyle, istenilen her aralıkta soğutucu akışkanın termodinamik özelliklerinin tespiti için yeni formülasyonlar türetilmiştir. Bu formülasyonlar, ağ modeline ait ağırlık ve bias değerleri kullanılarak elde edilmiştir. Modelden elde edilen denklemlerle çok daha hızlı ve basit çözümlere ulaşılmıştır.

Anahtar Kelimeler

• Yapay sinir ağları, buhar sıkıştırmalı sistemler, R410a, termodinamik özellikler

MODELING OF THERMODYNAMIC PROPERTIES OF REFRIGERANT R410A WITH ARTIFICIAL NEURAL NETWORKS

Öz

In this study, thermodynamic properties as saturation pressure, saturated liquid enthalpy and entropy,
superheated vapor enthalpy and temperature of R410a refrigerant, which are harmful to the ozone layer, used in
the vapor compression refrigeration systems were determined with Artificial Neural Network (ANN) model.
Data of thermodynamic properties used in the study were obtained from empirical and experimental data that is
available in the literature. In order to determine thermodynamic properties of refrigerant for all spans, new
formulations were derived by ANN model which was very well trained. These formulations were derived with
using weights and bias values of network. With these formulations, faster and simple solutions can be obtained. 

Anahtar Kelimeler

• Artificial neural network,vapor compression systems,R410a,thermodynamic properties

Kaynakça

1. Çengel, A.Y., Boles, A.M, Thermodynamics: An
2. Engineering Approach, McGraw-Hill, New
3. York, U.S., 1994.
4. Özkol, N., Uygulamalı Soğutma Tekniği,
5. TMMOB Makine Mühendisleri Odası Yayın No:
6. , Ankara, 1999.
7. Dossat, R.J., Principles of Refrigeration,
8. Prentice Hall, New Jersey, U.S., 1997.

9. Dupont. 2004. DuPont de Nemours and
10. Company Inc. http://www.dupont.com/suva
11. Kalogirou, S.A.,“Artificial Neural Networks in
12. Renewable Energy Systems Applications: A
13. Review”, Renewable and Sustainable Energy
14. Reviews, 5, 373–401, 2000.
15. Dorvlo, S.S., Jervase, J.A., Al-Lawati, A., “Solar
16. Radiation Estimation Using Artificial Neural
17. Network”, Applied Energy, 71, 307–319, 2002.
18. Civalek, Ö., “Dairesel Plakların Nöro-Fuzzy
19. Tekniği İle Analizi”, Dokuz Eylül Üniversitesi
20. Fen ve Mühendislik Dergisi, 1(2), 13-31, 1999.
21. Sözen, A., Arcaklıoğlu, E., Özalp, M.,
22. Formulation based on Artificial Neural Network
23. of Thermodynamic Properties of Ozone Friendly
24. Refrigerant/Absorbent Couples”, Applied Thermal
25. Engineering, 25(11-12): 1808-1820, 2005.
26. Sözen, A., Akçayol, M.A., “Modelling (Using
27. Artificial Neural-Networks) the Performance
28. Parameters of a Solar-Driven Ejector-Absorption
29. Cycle”, Applied Energy, 79(3): 309-325, 2004.
30. Kalogirou, S. A., “Long-Term Performance
31. Prediction of Forced Circulation Solar Domestic
32. Water Heating Systems Using Artificial Neural
33. Networks”, Applied Energy, 66, 63–74, 2000.
34. Kalogirou, S.A, “Applications of Artificial Neural
35. Networks in Energy Systems: A Review”, Energy
36. Conversion&Management, 40: 1073-1087, 1999.
37. Fu, L.M., Neural Networks in Computer
38. Intelligence, Mc Graw-Hill International Editions,
39. p., 1994.
40. Tsoukalas, L.H., Uhrig, R.E., Fuzzy and Neural
41. Approaches In Engineering, John Wiley&Sons
42. Inc., 587p., 1997.
43. Efe, Ö., Kaynak, O., Yapay Sinir Ağları ve Uygulamaları,
44. Boğaziçi Üniversitesi, İstanbul, 2000.
45. Şencan, A., Yakut, A.K., Dikmen, E., “A New
46. Model for Determining the Thermodynamic
47. Properties of LiBr-H2O Solution”, G.U. Journal
48. of Science, 17(1):101-110, 2004.
49. Sözen, A., Arcaklıoğlu, E., Özalp, M.,
50. “Formulation based on Artificial Neural Network
51. of Thermodynamic Properties of Ozone Friendly
52. Refrigerant/Absorbent Couples”, Applied Thermal
53. Engineering, 25(11-12): 1808-1820, 2005.
54. Sözen, A., Akçayol, M.A., “Modelling (Using
55. Artificial Neural-Networks) the Performance
56. Parameters of a Solar-Driven Ejector-Absorption
57. Cycle”, Applied Energy, 79(3): 309-325, 2004.