view in publisher's site
- خانه
- لیست مقالات
- چکیده
Performance prediction of a liquid desiccant dehumidifier using artificial neural networks approach
This work aims to develop two main ideas: first, the use of the artificial neural network (ANN) approach to predict the moisture removal rate (MRR) and the dehumidifier effectiveness (ɛ) of a counter-flow liquid desiccant dehumidifier using calcium chloride as an absorption solution. Second, the Garson method is used to identify the most important working parameters influencing the performance of the packed-bed dehumidifier component. A network model was developed in a MATLAB environment based on a multilayer perceptron that included an input, a hidden and an output layer. The network input parameters were the dry and wet bulb temperatures, the air and liquid flow rates, and the liquid desiccant temperature and concentration. The network output included two variables; the MRR and the ɛ. The performances of the ANN predictions were tested using experimental data not employed in the training process. The predicted values were found to be in good agreement with the experimental values, with mean relative errors of less than 4.90% for the MRR and 3.85% for ɛ. In addition, the air wet bulb and dry bulb temperatures were the parameters with the most influence on the MRR and ɛ, with a relative importance of 35% and 25%, respectively.
پیش‌بینی عملکرد رطوبت ساز خشک‌کننده مایع با استفاده از روش شبکه‌های عصبی مصنوعی
هدف از این کار توسعه دو ایده اصلی است: اول، استفاده از روش شبکه عصبی مصنوعی (ANN)برای پیش‌بینی نرخ حذف رطوبت (MRR)و موثر بودن دهانه‌های یک خشک‌کننده مایع مخالف جریان با استفاده از کلرید کلسیم به عنوان یک محلول جذب.
دوم، روش گارسون برای شناسایی مهم‌ترین پارامترهای کاری موثر بر عملکرد جز دسیدیساز بس‌تر فشرده استفاده می‌شود.
یک مدل شبکه در یک محیط MATLAB براساس یک پرسپترون چند لایه ایجاد شد که شامل یک ورودی، یک لایه پنهان و یک لایه خروجی بود.
پارامترهای ورودی شبکه شامل دمای خشک و تر، سرعت جریان هوا و مایع، و دما و غلظت خشک‌کننده مایع بودند.
خروجی شبکه شامل دو متغیر است: MRR و مم.
عملکرد پیش‌بینی‌های ANN با استفاده از داده‌های تجربی که در فرآیند آموزش به کار گرفته نشده بود، مورد آزمایش قرار گرفت.
مقادیر پیش‌بینی‌شده در توافق خوبی با مقادیر تجربی، با میانگین خطای نسبی کم‌تر از ۴.۹۰ % برای MRR و ۳.۸۵ % برای استیلن بودند.
علاوه بر این، دمای تر هوا و دمای خشک لامپ، پارامترهایی بودند که بیش‌ترین تاثیر را بر MRR و ε داشتند، به ترتیب با اهمیت نسبی ۳۵ % و ۲۵ %.
ترجمه شده با 
- مقاله Building and Construction
- ترجمه مقاله Building and Construction
- مقاله ساختمان‌سازی و ساخت و ساز
- ترجمه مقاله ساختمان‌سازی و ساخت و ساز
- مقاله Environmental Engineering
- ترجمه مقاله Environmental Engineering
- مقاله مهندسی محیط زیست
- ترجمه مقاله مهندسی محیط زیست
- مقاله Fluid Flow and Transfer Processes
- ترجمه مقاله Fluid Flow and Transfer Processes
- مقاله جریان سیال و روندهای انتقال
- ترجمه مقاله جریان سیال و روندهای انتقال
ترجمه کنید