Geri Dön

Farklı boru tiplerinde yoğuşma ısı transferi karakteristiklerinin makine öğrenmesi algoritmaları ile incelenmesi

Investigation of condensation heat transfer characteristics in different pipe types using machine learning algorithms

  1. Tez No: 870211
  2. Yazar: BÜŞRA SELENAY ÖNAL
  3. Danışmanlar: PROF. DR. AHMET SELİM DALKILIÇ, PROF. DR. OKTAY ÖZCAN
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Makine Mühendisliği, Computer Engineering and Computer Science and Control, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Isı Proses Bilim Dalı
  13. Sayfa Sayısı: 235

Özet

Bu tez çalışmasının amacı, yoğuşmada pürüzsüz helisel ve pürüzlü helisel borularda içinde R134a veya R600a bulunan akışkanların ısı taşınım katsayısı ve basınç düşümü karakteristiklerini makine öğrenmesi yöntemleri kullanarak incelemektir. Helezon borularda geleneksel olan yapı; boru dış yüzeyinin pürüzsüz olması durumu olup, bu konuda pek çok çalışma literatürde mevcuttur. Buna karşın literatürde helisel borularda yoğuşma üzerine kısıtlı sayıda deneysel çalışma olduğu ve makine öğrenmesi yöntemlerinin çok az uygulandığı görülmüştür. Bu tez çalışması kapsamında, makine öğrenmesi yöntemlerinden olan Yapay Sinir Ağları (YSA) ve Extreme Gradient Boosting (XGBoost) algoritmaları kullanılarak farklı boru tiplerinde yoğuşma sırasında ısı transferi karakteristikleri incelenmiştir. Analizler için 4 tip boru ve 2 tip soğutucu akışkan seçimi yapılmıştır. Analizlerde boru tipi olarak mikro kanatlı helisel boru, çukurlu helisel boru, pürüzsüz helisel boru ve pürüzsüz düz boru kullanılmış olup, akışkan olarak R134a ve R600a kullanılmıştır. Boyutlu sayılardan oluşan ilk veri seti için toplamda 3321 veri elde edilmiştir. Veriseti- 1 için Yapay Sinir Ağları (YSA) ve Extreme Gradient Boosting (XGBoost) algoritmaları kullanılarak girdi verilerinin (kütle akısı, doyma sıcaklığı, ortalama buhar kalitesi, ısı iletim katsayısı, boru boyu uzunluğu, buharlaşma entalpisi ve dinamik viskozite) çıktı verileri (ortalama yoğuşma ısı transfer katsayısı ve ortalama sürtünme basınç düşümü) üzerine etkisi incelenmiştir. Boyutsuz sayılardan oluşan ikinci veri seti için toplamda 2538 veri elde edilmiştir. Veriseti- 2 için Yapay Sinir Ağları (YSA) ve Extreme Gradient Boosting (XGBoost) algoritmaları kullanılarak girdi verilerinin (Reynolds sayısı, Prandtl sayısı, Lockhart-Martinelli parametresi, Eşdeğer Dean sayısı, indirgenmiş basınç, boşluk oranı) çıktı verileri (iki fazlı Nusselt sayısı, deneysel iki fazlı Nusselt sayısı ve iki fazlı sürtünme basınç gradyanı çarpanı) üzerine etkisi incelenmiştir. Her iki veri seti için tahminlerin doğruluğunu ölçmek amacıyla ortalama karesel hata (MSE) değeri ve korelasyon katsayısı (R2) değerleri hesaplanmıştır. Ardından bağımlılık analizi yapılmıştır. Yapay sinir ağı (YSA) analizinde Çok Katmanlı Algılayıcılar (MLP) modeli kullanılarak yapılan analiz sonucunda Veriseti-1 için“Tansig-Tansig-Purelin”transfer fonksiyonunda,3000 iterasyonda, 0.01 öğrenme oranında ve ''trainlm'' eğitim fonksiyonunda eğitim verisine ait MSE değeri 0.00415 iken, Veriseti-2 için yapılan analizde MSE değeri 0.00270 olarak bulunmuştur. Veriseti-1 için korelasyon katsayısı (R2) 0.99075 iken Veriseti-2 için korelasyon katsayısı (R2) 0.98638 olarak bulunmuştur. XGBoost analizinde ise her bir çıktı için yeniden analiz yapılarak korelasyon katsayısı değerleri elde edilmiş ve sonuçlar karşılaştırılmıştır. XGBoost analizinde korelasyon katsayılarının 1'e yakın olması ve MSE ve RMSE değerlerinin sıfıra yakın olması, geliştirilen modelin doğruluğunu göstermiştir. Yapay sinir ağları ve XGBoost makine öğrenmesi yöntemleri kullanılarak yapılan analiz sonuçlarından elde edilen tahmin değerleri kullanılarak OriginPro 2021 programında her çıktı için grafikler elde edilmiştir.

Özet (Çeviri)

The purpose of this thesis study is to examine the heat transfer coefficient and pressure drop characteristics of fluids containing R134a or R600a in smooth helical and rough helical tubes in condensation using machine learning methods. The traditional structure of helical tubes; it is the case that the outer surface of the tube is smooth, and many studies on this subject are available in the literature. On the other hand, it has been observed that there are limited number of experimental studies on condensation in helical tubes in the literature and there exist very few research that apply machine learning methods. Within the scope of this thesis study, heat transfer characteristics during condensation in different pipe types were examined using machine learning methods namely, Artificial Neural Network (ANN) and Extreme Gradient Boosting (XGBoost) algorithms. 4 types of pipes and 2 types of refrigerants were selected for analysis. In the analysis, dimpled helical pipe, micro-finned helical pipe, smooth straight pipe and smooth helical pipe were used as pipe types, and R134a and R600a were used as fluids. A total of 3321 data were obtained for the first data set consisting of dimensional numbers. For Data Set-1, the effect of input data (mass flux, saturation temperature, average vapor quality, pipe length, heat conduction coefficient, dynamic viscosity, and evaporation enthalpy) on output data (average condensation heat transfer coefficient and average friction pressure multiplier) was examined using Artificial Neural Networks (ANN) and Extreme Gradient Boosting (XGBoost) algorithms. For the second data set consisting of dimensionless numbers, a total of 2538 data were obtained. For Dataset-2, the effect of input data (Reynolds number, Prandtl number, Lockhart-Martinelli parameter, Equivalent Dean number, reduced pressure, void fraction) on the output data (two-phase Nusselt number, experimental two-phase Nusselt number and two-phase friction pressure gradient multiplier) was examined again using ANN and XGBoost algorithms. Mean square error (MSE) value and correlation coefficient (R2) values were calculated to measure the accuracy of the predictions for both data sets. Afterwards, dependency analysis was performed. As a result of the analysis made using the Multi-Layer Perceptrons (MLP) model in the artificial neural network (ANN) analysis, the MSE of the training data value was 0.00415 for Dataset-1 and the MSE of the training value was found to be 0.00270 for Dataset-2 according to the following hyperparameters;“Tansig-Tansig-Purelin”transfer function sequence chosen in hidden layers, 3000 iterations, 0.01 learning rate and“trainlm”training function. While the correlation coefficient (R2) for Dataset-1 was 0.99075, the correlation coefficient (R2) for Dataset-2 was found to be 0.98638. In the XGBoost analysis, correlation coefficient values were obtained by reanalyzing each output and the results were compared. In the XGBoost analysis, the correlation coefficients being close to 1 and the MSE and RMSE values being close to zero showed the accuracy of the developed model. Graphs were obtained for each output in the OriginPro 2021 program using the predicted values obtained from the analysis results using artificial neural network and XGBoost machine learning methods.

Benzer Tezler

  1. Evaporatör ve kondenserlerde içten yivli boru kullanılmasının avantajları ve dezavantajlarının incelenmesi

    The analysis of advantages and disadvantages in using inner grooved tubes in evaporators and condensers

    LEVENT CERAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2010

    Makine MühendisliğiYıldız Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. DERYA BURCU TÜMER ÖZKAN

  2. Isı pompalı kurutma sistemlerinde soğutkanların performansa etkisinin sayısal incelemesi

    Numerical investigation of refrigerants' effects on performance in heat pump drying systems

    SERKAN ERDEM

    Doktora

    Türkçe

    Türkçe

    2013

    Makine MühendisliğiYıldız Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. HASAN ALPAY HEPERKAN

    DOÇ. DR. DERYA BURCU ÖZKAN

  3. Soğutma sistemlerinde kullanılan kılcal borulardaki akışın incelenmesi

    Investigation of flow inside the capillary tubes used in refrigeration systems

    KUTAY ÖRGÜNAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2013

    EnerjiYıldız Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞEVKET ÖZGÜR ATAYILMAZ

  4. Spiral boru akışında türbülatör ve nano akışkan kullanımının ısı transferine etkisinin incelenmesi

    Investigation of the effect of turbulator and nano fluid usage on heat transfer in spiral pipe flow

    MESUT DEMİRBİLEK

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Makine MühendisliğiKırşehir Ahi Evran Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MERDİN DANIŞMAZ

  5. Dolum aşamasında pastörizasyon sağlayan indüktif süt dolum makinesi tasarımı

    Design of inductive milk filling machine providing pastorization during filling

    SAMET AKKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Makine MühendisliğiManisa Celal Bayar Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ CAN ÇİVİ

    DR. ÖĞR. ÜYESİ TUNCAY YILMAZ