|
|
پیش بینی تغییرات حرارتی مخزن ذخیره کننده سیال یک خشککن خورشیدی با استفاده از شبکه عصبی مصنوعی و روش دینامیک سیالات محاسباتی
|
|
|
|
|
نویسنده
|
علیمحمدی ذکریا ,صمیمی اخیجهانی هادی
|
منبع
|
مهندسي بيوسيستم ايران - 1399 - دوره : 51 - شماره : 3 - صفحه:501 -514
|
|
|
چکیده
|
در این تحقیق برای افزایش عملکرد جمع کننده خورشیدی سهموی از مواد تغییرفاز دهنده pcm درون مخزن ذخیره کننده سیال استفاده شد. تاثیر میزان جریان سیال در سه سطح 1، 2.5 و 5 لیتر بر دقیقه و جرم pcm در دو سطح 1.5 و 3.2 کیلوگرم بر دمای خروجی، بازده جمع کننده و بازده مخزن با استفاده روش آزمایشگاهی و cfd و ann ارزیابی و با هم مقایسه شد. میزان بازده خشک کردن از 21.11 تا 25.20 درصد و جمع کننده از 62.9 تا 64.03 تغییر نمود. میزان خطای به دست آمده از بازده جمع کننده از روش cfd و ann به ترتیب از 5.31 تا 7.4 درصد و 1.22 تا 3.84 درصد متغیر بود. با توجه به داده های آماری و مدت زمان صرف شده مشخص شد که روش ann نسبت به روش cfd با دقت بیشتر و زمان صرف شده کمتر می تواند برای پیش بینی رفتار حرارتی سامانه استفاده شود.
|
کلیدواژه
|
بازده حرارتی، خشککن خورشیدی، دینامیک سیالات محاسباتی، شبکه عصبی مصنوعی، شدت تابش خورشیدی
|
آدرس
|
دانشگاه کردستان, دانشکده کشاورزی, گروه مهندسی بیوسیستم, ایران, دانشگاه کردستان, دانشکده کشاورزی, گروه مهندسی بیوسیستم, ایران
|
پست الکترونیکی
|
h-samimia@gmail.com
|
|
|
|
|
|
|
|
|
Predicting the Thermal Changes of a Fluid Storage Tank of a Solar Dryer Using Artificial Neural Network and Computational Fluid Dynamics Method
|
|
|
Authors
|
Samimi-Akhijahani Hadi ,Alimohammadi Zakaria
|
Abstract
|
In this research, to increase the performance of parabolic solar collector, PCM phase change materials were used inside the fluid storage tank. The effect of fluid flow rate at three levels of 1, 2.5 and 5 l/min and PCM mass at two levels of 1.5 and 3.2 kg on output temperature and thermal efficiency of the collector and tank efficiency using experimental methods and CFD and ANN were evaluated and compared. Drying efficiency changed from 21.11 to 25.20% and collector from 62.9 to 64.03. The collector efficiency error of CFD and ANN methods varied from 5.31 to 7.4% and 1.22 to 3.84%, respectively. According to the statistical data and the time spent, it was found that the ANN method can be used to predict the thermal behavior of the system more accurately and less time than the CFD method.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|