Absorpsiyonlu ısıl sistemlerin termodinamik analizi, akışkan çiftlerinin termodinamik özelliklerini hesaplayan analitik fonksiyonlardan dolayı çok komplekstir. Bu çalışma ejektörlü absorpsiyon soğutma sistemlerinin (EASS) termodinamik analizine yeni bir yaklaşım önermektedir. Ozon tabakasına zarar vermeyen methanol/LiBr akışkan çiftinin termodinamik özelliklerini belirlemek için yapay sinir ağları (YSA) kullanılmıştır. Ayrıca, akışkan özellikleri analitik fonksiyonlarla ve YSA'dan tahmin edilerek EASS için karşılaştırmalı performans çalışması gerçekleştirilmiştir. YSA'da, üç değişik geriye yayılım öğrenme algoritması ve logistik sigmoid transfer fonksiyonu, eğitmek için de sınırlı sayıda deneysel ölçüm sonuçlan kullanılmıştır. Girdi katmanında akışkan çiftinin sıcaklığı, basıncı ve konsantrasyonu, çıktı katmanında ise özgül hacim dikkate alınmıştır. Eğitme sonunda maksimum hatanın %3'den küçük ve R2 değerlerinin 0.9999 mertebesinde olduğu görülmüştür. Ayrıca, analiz sonuçlarının karşılaştırılmasında bütün çalışma sıcaklıkları için soğutma tesir katsayısında %1.8, ekserji veriminde %4 ve dolaşım oranında %0.2'den daha az hata elde edilmiştir. Bu mertebeler, EASS'nin dizaynında ve YSA ile elde edilen termodinamik özellikler de kabul edilebilir sınırlar içindedir.
Thermodynamic analysis of the absorption thermal systems is too complex because of analytic functions calculating the properties of fluid couples. This paper presents a new approach to thermodynamic analysis of ejector-absorption refrigeration systems (ARSs). Use of artificial neural networks (ANNs) has been proposed to determine the properties of an alternative working fluid couple (methanol/LiBr), which do not cause ozone depletion for ejector-absorption refrigeration system (EARS). In addition, this paper presents a comparative performance study of the EARS using both analytic functions and prediction of ANN for properties of the couple. The back-propagation learning algorithm with three different variants and logistic sigmoid transfer function were used in the network. In order to train the neural network, limited experimental measurements were used as training and test data. In input layer, there is temperature, pressure and concentration of the couples; specific volume is in output layer. After training, it is found that maximum error is less than 3% and R2 values are about 0.9999. Additionally, in comparison of analysis results between analytic equations obtained by using experimental data and by means of ANN, differences coefficient of performance (COP), exergetic coefficient of performance (ECOP) and circulation ratio (f) for all working temperatures are less than 1.8%, 4%, 0.2%, respectively. These accuracy degrees are acceptable in design of EARS. As seen from the results obtained the thermodynamic properties are obviously calculated within acceptable uncertainties.
