توسعه هسته پايش و پيش‌بيني عملكرد يك دوقلوي ديجيتال براي يك مبدل پوسته و لوله

اصفهان : دانشگاه صنعتي اصفهان

مهندسي مكانيك

كارشناسي ارشد

در پژوهش حاضر، يك چارچوب داده‌محور براي توسعه هسته اوليه دوقلوي ديجيتال مبدل حرارتي پوسته و لوله ارائه شده است. هدف اصلي، پيش‌بيني همزمان شاخص‌هاي كليدي عملكرد شامل ضريب كارايي، نرخ انتقال حرارت، افت فشار سمت لوله و پوسته و ضرايب رسوب‌گيري با استفاده از الگوريتم‌هاي پيشرفته يادگيري ماشين بود. يك مبدل حرارتي با آرايش استاندارد صنعتي در نرم‌افزار اسپن اي.دي.آر مدل‌سازي و اعتبارسنجي شد. با تغيير سيستماتيك پارامترهاي ورودي، پايگاه داده جامع شامل 1000 نمونه توليد گرديد. داده‌ها به نسبت 80 درصد براي آموزش و 20 درصد براي آزمون تقسيم شدند. سه الگوريتم شامل شبكه عصبي مصنوعي چندلايه، ماشين بردار پشتيبان رگرسيوني و گراديان بوستينگ رگرسور پياده‌سازي شدند. شبكه عصبي با دو لايه پنهان (64 و 32 نورون) و تابع فعال‌سازي رلو، ماشين بردار پشتيبان با كرنل پايه شعاعي و گراديان بوستينگ با 600 درخت و نرخ يادگيري 03/0 انتخاب شدند. نتايج نشان داد براي افت فشار سمت لوله، گراديان بوستينگ با ضريب تعيين 995/0 بهترين عملكرد را داشت. براي افت فشار سمت پوسته، ماشين بردار پشتيبان با ضريب تعيين 965/0 و گراديان بوستينگ با 964/0 عملكرد عالي نشان دادند. در پيش‌بيني ضريب كارايي و نرخ انتقال حرارت، ماشين بردار پشتيبان به ترتيب با ضرايب تعيين 989/0 و 999/0 برترين بود. در پيش‌بيني ضريب رسوب سمت پوسته، گراديان بوستينگ با ضريب تعيين 930/0 عملكرد بهتري داشت. تحليل فيزيكي نشان داد عملكرد عالي الگوريتم‌ها در پيش‌بيني افت فشار، ناشي از توانايي آن‌ها در مدلسازي روابط غيرخطي شديد بدون تحميل شكل تابعي از پيش تعيين شده است. با توجه به عملكرد همه‌جانبه به ويژه در پيش‌بيني ضريب رسوب كه رفتار پيچيده‌تري دارد، الگوريتم گراديان بوستينگ به عنوان مناسب‌ترين گزينه براي توسعه هسته اوليه دوقلوي ديجيتال معرفي مي‌گردد

237745

تبديل انرژي

مهندسي مكانيك

دانشگاه صنعتي اصفهان