Assessment of fouling in plate heat exchangers with machine learning algorithms
Plakalı ısı değiştiricilerde kirliliğin makine öğrenmesi algoritmaları ile belirlenmesi
- Tez No: 766809
- Danışmanlar: DOÇ. DR. ZİYA HAKTAN KARADENİZ
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: İzmir Katip Çelebi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 111
Özet
Kirlilik, bir ısı değiştiricinin ısı transfer performansını olumsuz yönde etkileyen, ısı transfer yüzeylerinde istenmeyen parçacıkların birikmesidir. Bu parçacıkların birikmesi, yalıtım benzeri bir kirlilik tabakası oluşturarak ısının ısı değiştirici aracılığıyla aktarılmasını engeller. Tezin temel amacı, kombilerde kullanılan plakalı ısı değiştiricilerin kirlenme durumunu sınıflandırmak ve tahmin etmek için makine öğrenmesi algoritmalarını araştırmak, kestirimci bakımın arka planını oluşturmak, ayrıca plakalı ısı değiştiriciler üzerindeki kirlenme etkisini ısı transferi ve enerji açısından 1-B model kullanarak incelemektir. Makine öğrenimi algoritmalarını eğitmek için gerekli veriler, kirlenme davranışını değerlendirmek için yapay olarak oluşturulmuş bir yöntem kullanılarak deneysel olarak elde edilir. Kirlenmenin plakalı ısı değiştirici performansı üzerindeki etkisi, kombide halihazırda kullanılan plakalı ısı değiştiricinin daha az plaka numarasına sahip bir plakalı ısı değiştirici ile değiştirilmesi durumunda oluşacak performans kaybına benzer olarak kabul edilir. Deney sonuçları, her iki kanalın çıkış sıcaklıklarının ve basınç düşüş değerlerinin beklenen eğilimlerinin görüldüğünü göstermektedir. Toplam ısı transfer katsayısı ve kirlenme direnci katsayısı, test edilen plakalı ısı değiştiricilerin performans değerleri olarak hesaplanır. Beklendiği gibi, toplam ısı transfer katsayıları, kirlenme direnci katsayısı artarken azalmaktadır. 1-B sayısal model, 4. Mertebeden Runge Kutta diferansiyel denklem çözme yöntemi kullanılarak üretilmiştir. Diferansiyel denklemler, deney verilerini kullanarak sıcaklık dağılımlarını değerlendirmek için her iki kanal için de termal direnç yöntemi temel alınarak oluşturulmuştur. Sonuçlar, %2'ten daha az hata ile modelin, deney çıktılarıyla doğru çıktıların alındığı sonucuna varıldığını göstermektedir. Müşteri tarafından tanımlanan DHW set noktasına ulaşmak için gereken ek güç, model sonuçları kullanılarak maksimum kirlenme için hesaplanmıştır. Sonuçlar, maksimum kirlenme durumunda gerekli DHW set noktasına ulaşmak için kombi cihazlarının sırasıyla 32 ve 30 plakalı ısı değiştiriciler için yaklaşık 16 ve 7 kW ek ısı çıkışı sağlaması gerektiğini göstermektedir. Elde edilen veriler, makine öğrenmesi algoritmaları, Naive Bayes, k-en yakın komşu ve karar ağacını eğitmeye yöneliktir. Uygulama yöntemi olarak modelin fazla uydurmasını önlemek için çapraz doğrulama yöntemi kullanılır. Sınıfları toplam ısı transfer katsayısı değerlerine göre tahmin etmek için k-en yakın komşu modelinin diğer modeller arasında en iyisi olacağı sonucuna varılmıştır. Karar ağacı modeli sonuçları, modelin maksimum ayrım değeri seçiminden bağımsız olduğunu göstermektedir. Sonuçlar, karar ağacı modelinin doğruluk sonuçlarına göre Naive Bayes modeline göre sınıflandırmada daha iyi performans verdiğini göstermektedir.
Özet (Çeviri)
Fouling is the accumulation of undesired particles on heat transfer surfaces which affects the heat transfer performance of a heat exchanger negatively. The accumulation of these particles prevents heat from being transformed through the heat exchangers by generating a fouling layer-like insulation. The main aim of the thesis is to investigate the machine learning algorithms to classify and predict the fouling status of PHE used in combi-boilers, to generate the background of the predictive maintenance, besides investigating the fouling effect on PHEs in terms of heat transfer and energy consumption by using a 1-D model. The required data to train the machine learning algorithms is acquired experimentally by using an artificially generated method for evaluating the fouling behavior. The effect of fouling on PHE performance is assumed as similar to the performance loss that would be occurred if the PHE that is already used in the combi-boiler, would be replaced with a PHE that has fewer plate numbers. The experiment results show that the expected trends of output temperatures and pressure drop values of both channels are seen. The overall heat transfer coefficient and fouling resistance coefficient are calculated as the performance values of the tested PHEs. As expected, the overall heat transfer coefficients are resulted in decreasing while the fouling resistance coefficient is increasing. The 1-D numerical model is generated by using Runge Kutta 4th order ordinary differential equation solving method. The differential equations are created based thermal resistance method for both channels to evaluate the temperature distributions by using the experimental data. The results show that with less than 2% error the model is concluded to receive the correct outputs with the experimental outputs. The additional required power to reach the setpoint of DHW defined by the customer is calculated at maximum fouling by using the model results. The results show that combi-boiler appliances need to supply approximately 16 and 7 kW additional heat output to reach the required setpoint of DHW in case of maximum fouling for 32 and 30 plates PHE, respectively. The obtained data is implied to train the machine learning algorithms, Naïve Bayes, k-nearest neighbor, and decision tree. The k-fold cross-validation method is used to avoid overfitting for the implementation method. It results that the k-nearest neighbors model would be the best among the other models for predicting the classes according to the overall heat transfer coefficient values. The decision tree model results show that the model is independent of its maximum number of splits selection. The results show the decision tree model gives better performance in classifying than the Naïve Bayes model according to the accuracy results.
Benzer Tezler
- Yüzey kirliliğinin gemi direnci üzerindeki etkisinin incelenmesi
Investigation of the effect of fouling on ship resistance
YİĞİT KEMAL DEMİREL
Yüksek Lisans
Türkçe
2012
Gemi Mühendisliğiİstanbul Teknik ÜniversitesiGemi İnşaatı ve Gemi Makineleri Mühendisliği Ana Bilim Dalı
PROF. DR. METİN TAYLAN
- Fabrication and characterization of hollow fiber membrane with bisbal additive: Membrane bioreactor (MBR) application
Bısbal ilaveli hollow fiber membran üretimi ve karakterizasyonu: Membran biyoreaktör (MBR) uygulaması
FATMA NUR ŞEYMA YAVUZ
Yüksek Lisans
İngilizce
2015
Biyoteknolojiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL KOYUNCU
- Yüksek ve düşük tuz konsantrasyonu içeren petrol üretim atıksuyu ile işletilen membran biyoreaktör sisteminin performansının ve mikroorganizma popülasyon değişiminin incelenmesi
Investigation of microorganisms populationchanging and performance of membran bio reactor system operated with high and low salinity contains oil wastewater
SELVİHAN ELİDÜZGÜN
Yüksek Lisans
Türkçe
2011
Çevre Mühendisliğiİstanbul Teknik ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL KOYUNCU
- Denizden soğutma amaçlı su alma yapıları
Sea water intake structures for cooling purposes
MUSTAFA KAVAS
- Anaerobik batık membran bioreaktörde membran modül geometrisi ve biyogaz geri devrinin membran kirlenmesine etkisi
Effect of biyogas sparging and module geometric shapes on membrane fouling in anaerobic submerged membrane biyoreactors
MUSTAFA ASLAN
Doktora
Türkçe
2012
BiyomühendislikFırat ÜniversitesiÇevre Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF SAATÇI