Neuronowy model efektywności energetycznej urządzenia ziębniczego

• Autorzy: Łokietek T. , Nikończuk P.

Warianty tytułu

EN

Neural model of energy efficiency of a refrigerating device

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono utworzony model neuronowy efektywności energetycznej oraz ziębniczej urządzenia ziębniczego z rekuperacją ciepła skroplin (pochodzących z procesu oziębiania i odwilżania powietrza) w zależności od trzech parametrów: temperatury wewnątrz komory, temperatury na zewnątrz komory, strumienia masowego skroplin. Model utworzono za pomocą relatywnie prostej sieci neuronowej zawierającej jedną warstwę dziesięcioneuronową w warstwie ukrytej. Będzie on wykorzystany w przyszłości przy tworzeniu bardziej złożonego modelu efektywności urządzenia ziębniczego.

EN

The paper presents the neural model of energy efficiency and COP of a refrigerating device with the recovery of heat from dew condensate (from the process of cooling and dehumidifying the moist air) depending on three parameters: temperature inside the chamber, ambient temperature and condensate mass flux. The model was created using a relatively simple neural network containing one ten-neuron layer in the hidden layer. It will be used in future development of a more complex model of energy efficiency of refrigerating devices.

Słowa kluczowe

PL

urządzenie ziębnicze; efektywność energetyczna; sieci neuronowe

EN

neural model; energy efficiency; refrigerating device

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Chłodnictwo : organ Naczelnej Organizacji Technicznej
• Rocznik: 2011
• Tom: R. 46, nr 7
• Strony: 10--12
• Opis fizyczny: Bibliogr. 9 poz., rys., tab.

Twórcy

autor

Łokietek T.

autor

Nikończuk P.

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Katedra Klimatyzacji i Transportu Chłodniczego

Bibliografia

• [1] BECHTLER H., BROWNE M. W., BANSAL P. K., KECMAN V.: New approach to dynamic modelling of vapour-compression liquid chillers: artificial neural networks. Applied Thermal Engineering vol. 21, n. 9, 2001, pp. 941-953.
• [2] ERTUNC H.M., HOSOZ M.: Artificial neural network analysis of a refrigeration system with an evaporative condenser. Applied Thermal Engineering vol. 26, n. 5-6,2006, pp. 627-635.
• [3] ESEN H., INALLI M., SENGUR A., ESEN M.: Forecasting of a ground-coupled heat pump performance using neural networks with statistical data weighting pre-processing. International Journal of Thermal Sciences vol. 47, n. 4, 2008, pp. 431-441.
• [4] GAO M., SUN E.Z., ZHOU S.J., SHI Y.T., ZHAO Y.B., WANG N.H.: Performance prediction of wet cooling tower using artificial neural network under cross-wind conditions. International Journal of Thermal Sciences vol. 48, n. 3; 2009, pp. 583-589.
• [5] ŁOKIETEK T: Analiza eksperymentalna wpływu rekuperacji ciepła skroplin na wydajność ziebniczą i efektywność energetyczną urządzenia ziębniczego. Chłodnictwo nr 9, 2010, pp. 8-15.
• [6] NAVARRO-ESBRI J., BERBEGALL V., VERDU G., CA-BELLO R., LLOPIS R.: A low data requirement model of a variable-speed vapour compression refrigeration system based on neural networks. International Journal of Refrigeration vol. 30, n. 8, 2007, pp. 1452-1459.
• [7] OSOWSKI S.: Sieci neuronowe w ujęciu algorytmicznym, wydanie drugie, Wydawnictwa Naukowo-Techniczne, Warszawa, 1996.
• [8] PACHECO-YEGA A., SEN M., YANG K.T., McCLAIN R.L.: Neural network analysis of fm-tube refrigerating heat exchanger with limited experimental data. International Journal of Heat and Mass Transfer vol. 44, n. 4, 2001, pp. 763-770.
• [9] TADEUS1EWICZ R., GAC1ARZ T., BOROWIK B., LEPER B.: Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C#, Polska Akademia Umiejętności, Kraków, 2007.