Deneysel bir organik Rankine çevriminde yapay sinir ağları (YSA) yardımıyla güç tahmini

Abstract

Organik Rankine çevrimlerinin güç tahmini için kullanılan simülasyon programlarında; sistem elamanlarının ideal yada ideale yakın olarak kabul edilen davranışlarının, gerçek davranışlarından farklı olmasından dolayı yüksek hata oranları ortaya çıkabilmektedir. Doğrusal davranışa sahip olmayan sistemlerde Yapay Sinir Ağları yöntemi ile yapılan tahminler gerçek sonuçlara daha yakın olabilmektedir. Bu çalışmada, deneysel bir organik Rankine çevrimlerinden alınan buharlaştırıcı atık ısı giriş-çıkış sıcaklıkları ile kütlesel debisi, soğuk akışkan giriş-çıkış sıcaklıkları ile kütlesel debisi öznitelikleri kullanılarak ağ eğitilmiştir. 10 kW'lık organik Rankine çevrimi için eğitilen ağ ile güç tahmini yapılarak deneysel sonuçlar ve tahmin sonuçları karşılaştırılmıştır. Çalışma sonucunda yapay sinir ağlarından elde edilen tahmin değerleri, deneysel verilerle kıyaslanmış ve tahminin performansını gösteren korelasyon katsayısı 0.99124 olarak hesaplanmıştır. Ayrıca ağa farklı deney verilerinin girişi gerçekleştirilerek ağın tahmin başarısı kontrol edilmiştir.

In the simulation programs that used to estimate the power of the organic Rankine cycle; high error rates may have occurred due to accepting ideal or near-ideal behaviour differ from the actual behaviour of system components. Predictions made via artificial neural networks may be more close to actual results in the system which is of non-linear behaviour. In this study, network was trained by evaporator waste heat input- output temperatures and mass flow rate, cooling fluid input- output temperatures and mass flow rate taken from an experimental organic Rankine cycle. The power prediction was made with trained network and then the experimental and prediction results of the 10 kW organic Rankine cycle was compared. At the end of the study, the values obtained from artificial neural network were compared with experimental data and correlation coefficient which shows performance of network has calculated to be 0.99124. The prediction success of network was also checked via performing different test data input to the network.