| Revista: | Ingeniería. Investigación y tecnología |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000372188 |
| ISSN: | 1405-7743 |
| Autors: | Romero Méndez, Ricardo1 Hidalgo López, Juan Manuel1 Durán García, Héctor Martín2 Pacheco Vega, Arturo3 |
| Institucions: | 1Universidad Autónoma de San Luis Potosí, Facultad de Ingeniería, San Luis Potosí. México 2Universidad Autónoma de San Luis Potosí, Instituto de Investigación de Zonas Desérticas, San Luis Potosí. México 3California State University, Department of Mechanical Engineering, Los Angeles, California. Estados Unidos de América |
| Any: | 2014 |
| Període: | Ene-Mar |
| Volum: | 15 |
| Número: | 1 |
| Paginació: | 93-101 |
| País: | México |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | La predicción de la transferencia de calor en procesos de evaporación es una tarea complicada comparada con la de un proceso sin cambio de fase, ya que la física del fenómeno de evaporación es mucho más diversa y se modifica continuamente conforme la calidad del vapor aumenta. Las correlaciones tradicionales basadas en leyes de potencia que se utilizan para la determinación de la transferencia de calor en evaporadores han probado su falta de efectividad cuando se requiere la predicción correcta de absorción de calor del proceso de evaporación. En este trabajo se utilizaron modelos basados en redes neuronales artificiales para predecir el desempeño térmico de unidades evaporadoras y, para ello, se obtuvieron datos experimentales en un módulo de pruebas consistente en un evaporador tipo intercambiador de calor de doble tubo a contraflujo, por cuya sección circular fluye refrigerante R134a y por cuya sección anular fluye agua a una temperatura mayor controlada. Para determinar los datos experimentales se construyó un banco de pruebas basado en el ciclo Rankine inverso, el cual se equipó con instrumentos de medición, sensores y una tarjeta de adquisición de datos para el moni-toreo de señales. Una parte de los datos obtenidos en los experimentos se usaron para entrenar a distintas configuraciones de redes neuronales a fin de obtener el mejor modelo. Este modelo se usó para efectos predictivos y los resultados obtenidos se compararon con datos experimentales que no fueron usados durante el entrenamiento de la red neuronal artificial. Los resultados obtenidos en esta investigación demuestran la conveniencia de usar redes neuronales artificiales para la determinación correcta de la transferencia de calor en procesos de evaporación de refrigerantes |
| Resumen en inglés | Convective heat transfer prediction of evaporative processes is more complicated than the heat transfer prediction of single-phase convective processes. This is due to the fact that physical phenomena involved in evaporative processes are very complex and vary with the vapor quality that increases gradually as more fluid is evaporated. Power-law correlations used for prediction of evaporative convection have proved little accuracy when used in practical cases. In this investigation, neural-network-based models have been used as a tool for prediction of the thermal performance of evaporative units. For this purpose, experimental data were obtained in a facility that includes a counter-flow concentric pipes heat exchanger with R134a refrigerant flowing inside the circular section and temperature controlled warm water moving through the annular section. This work also included the construction of an inverse Rankine refrigeration cycle that was equipped with measurement devices, sensors and a data acquisition system to collect the experimental measurements under different operating conditions. Part of the data were used to train several neural-network configurations. The best neural-network model was then used for prediction purposes and the results obtained were compared with experimental data not used for training purposes. The results obtained in this investigation reveal the convenience of using artificial neural networks as accurate predictive tools for determining convective heat transfer rates of evaporative processes |
| Disciplines | Ingeniería |
| Paraules clau: | Ingeniería mecánica, Sistemas térmicos, Procesos de evaporación, Transferencia de calor, Redes neuronales artificiales, Predicción |
| Keyword: | Engineering, Mechanical engineering, Thermal systems, Evaporation processes, Heat transfer, Artificial neural networks, Forecasting |
| Text complet: | Texto completo (Ver HTML) |
