فایل ورد کامل مدلسازی و بهینه سازی خنک کننده های تبخیری نقطه ی شبنم بر اساس شبکه ی عصبی توسعه یافته ی GMDH

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل مدلسازی و بهینه سازی خنک کننده های تبخیری نقطه ی شبنم بر اساس شبکه ی عصبی توسعه یافته ی GMDH،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۵۱ صفحه

یک مدل دقیق خنک کننده ی تبخیری نقطه شبنم ضد جریان غیرمستقیم ، با استفاده از روش گروهی شبکه عصبی – جابجایی داده توسعه یافت در حالی که شبکه با داده های استخراج شده از مدل عددی معتبر، آموزش داده شد. پس از اعتباربخشی مدل، مدل در مسئله بهینه سازی چند هدفه که روش الگوریتم ژنتیک دوگانه مرتب سازی غالب تحت سلطه را اجرا می کند، استفاده شد. بهینه سازی این سیستم در شرایط مختلف آب و هوایی انجام شد. در این راستا، یزد، مسجد سلیمان و اهواز به عنوان نماینده ای از شهرهای دارای آب و هوای گرم -خشک، گرم- نیمه مرطوب و گرم و مرطوب ایران انتخاب شدند. در هر شهر، مقادیر بهینه ی طول کانال، فاصله کانال، سرعت هوای ورودی و بازگشت مقدار هوای ورودی طوری به دست آمد، که این متغیرهای تصمیم گیرنده همزمان موجب افزایش ضریب عملکرد و کاهش منطقه خاصی از خنک کننده می شود. نتایج نشان داد که مدل توسعه یافته می تواند دمای دقیق هوا را با خطای پایین C 1 پیش بینی می کند و به دلیل فرایند محاسباتی سریع طراحی ، بهینه سازی بر مبنای داده های آب و هوایی ساعتی بدون نیاز به پردازنده های بسیار سریع انجام می شود. علاوه بر این، کاربرد بهینه سازی در سیستم طراحی شده ی کاربردی شهر یزد،منجر به بهبود ضریب عملکرد و منطقه خاص به ترتیب ۳۶.۳ و ۳۰.۹ میشود. بهبود منطقه خاص در مسجد سلیمان و اهواز به ترتیب ۱۶ و ۷.۹۲ و با کاهش هزینه ضریب عملکرد ۲.۶۳ و ۲.۱۹ همراه بود. این پیشرفت ها به سیستم امکان دستیابی به پتانسیل کامل را میدهد و خنک کننده تبخیر نقطه ی شبنم را به سیستم خنک کننده مناسب در شرایط مختلف آب و هوایی تبدیل میکند.

کلید واژه ها: خنک کننده تبخیر نقطه شبنم | شبکه عصبی GMDH | مدل عددی | چرخه M | بهینه سازی چند هدفه | NSGA-II

عنوان انگلیسی:

Modeling and optimization of dew-point evaporative coolers based on a developed GMDH-type neural network

~~en~~ writers :

Hamoon Jafarian, Hoseyn Sayyaadi, Farschad Torabi

A precise model of a counter-flow indirect dew-point evaporative cooler was developed using the group
method of data handling-type neural network while the network was trained by extracted data from a
validated numerical model. After validating the model, it was employed in a multi-objective optimization
problem that implements the non-dominated sorting genetic algorithm-II method. The system was optimized in diverse climatic conditions. In this regard, Yazd, Masjed-Soleiman and Ahvaz were chosen as
representatives of cities with hot, hot semi-humid and hot-humid climates in Iran. In each city, optimum
values of channel length, channel gap, inlet air velocity and return to intake air ratio were found so that
these decision variables maximize the average coefficient of performance and minimize the specific area
of the cooler, simultaneously. The results indicated that the developed model can predict the supply air
temperature accurately with less than 1
C error and due to its quick calculation process it is possible to
optimize the design based on hourly climate data without any needs to very fast processors. Moreover,
using the optimization, the coefficient of performance and specific area for the system designed to be
used in Yazd were improved 36.3% and 30.9%, respectively. This figure at Masjed-Soleiman and Ahvaz
was 16% and 7.92% improvement in the specific area at the cost of 2.63% and 2.19% reduction in the coefficient of performance, respectively. These improvements allowed the system to reach its full potential
and making dew-point evaporative coolers as a suitable cooling system in diverse climatic conditions.

Keywords: Dew-point evaporative coolers | GMDH neural network | Numerical model | M-cycle | Multi-objective optimization | NSGA-II

$$en!!