Расчет теплопроводности жидких и парообразных хладагентов для чистых веществ и их бинарных и троичных смесей с помощью искусственной нейронной сети
"Н. Галем1, С. Ханини2, М.У. Насёр1, М. Лэди2, А. Амран3"
"1Университет Блиды, Блида, Алжир
2Университет Медеа, Медеа, Алжир
3Национальная высшая школа химии Ренна, Ренн, Франция
abdeltif.amrane@univ-rennes1.fr"
Ключевые слова: хладагент, чистая система, смеси, теплопроводность, искусственная нейронная сеть, прогнозная модель, refrigerant, pure system, mixtures, thermal conductivity, artificial neural network, predictive model
Страницы: 605-624
Аннотация
Определение теплофизических свойств гидрофторуглеродов, особенно теплопроводности, является важной задачей. В настоящей работе исследуется потенциал модели искусственной нейронной сети для установления теплопроводности гидрофторуглеродов в диапазонах 169,87-533,02 K, 0,047-68,201 МПа и 0,0089 - 0,1984 Вт/(м×K) температур, давлений и теплопроводности соответственно одиннадцати систем, включающих три различные категории, состоящие из пяти чистых систем (R32, R125, R134a, R152a, R143a), четырех бинарных смесей (R32 + R125, R32 + R134a, R125 + R134a, R125 + R143a) и двух троичных смесей (R32 + R125 + R134a, R125 + R134a + R143a). Каждой из них соответствовало 1817, 794 и 616 точек данных. Использование этих 3227 точек данных для жидкости и пара при различных температурах и давлениях позволило обучить, верифицировать и протестировать рассматриваемую модель. Исследование показало, что модели искусственной нейронной сети представляют хорошую альтернативу существующим моделям для оценки с удовлетворительной точностью теплопроводности различных систем хладагентов. Предсказанный с приемлемым уровнем точности с использованием искусственной нейронной сети квадрат коэффициента корреляции теплопроводности составил R 2 = 0,998 при RMSE = 0,0035 и AAD = 0,002 %. Результаты применения модели обученной нейросети к тестовым данным показывают, что метод обладает весьма высокой способностью предсказания.
|
