CO2 kullanılan ısı pompalı kurutucularda performans arttırılması

Zararlı soğutucu gazların da sebep olduğu sera gazı etkisi, küresel ısınma ve ozan tabakası delinmesi tüm dünyayı etkileyen çok önemli ve çok tehlikeli gerçeklerdir. Bu tehlikeyi yavaşlatmak ve azaltmak için tüm dünyada birçok yasal yönetmelik ve teşvik düzenlenmektedir. Şirketler ve üniversiteler hızla daha çevreci hatta doğal akışkanları ısı pompalarında ve klimalarda kullanmaya, denemeye başlamıştır. Bu soğutucu akışkanlardan CO2 hem doğal oluşundan hem de termofiziksel özelliklerinden dolayı en çok tercih edilen akışkanlardandır. Bu çalışmada, CO2 (R744) ile transkritik çevrimle çalışan ısı pompalı çamaşır kurutma makinasının performansı, enerji tüketimi ve kurutma süresi oluşturulan yapay sinir ağı modeli hızlı bir şekilde hesaplanabilmektedir. Daha önce MATLAB ortamında oluşturulmuş olan matematiksel modelin girdileri ve sonuçları, bu çalışma sırasında oluşturulan yapay sinir ağı modelinin öğrenme işleminde kullanılmıştır. Model sistemi bir kere öğrendikten sonra öğretilen değerlerin dışında başka girdilere cevap verebilmektedir. İki adet ana ileri beslemeli yapay sinir ağı modeli oluşturulmuştur. Bunlardan ilki matematiksel MATLAB modelinin girdileri ve çıktıları arasındaki ilişkiyi öğrenen ve o değerleri test eden model; diğeri ise bu modeli test eden modeldir. Sistem test modeline, matematiksel model verileri içinden 33 adet verinin çıkartılmasıyla oluşturulan model aracılığıyla öğretilmiştir. Uzayın bazı noktalarını (33 veriyi) eksik xv öğrenen model üzerinde, çıkartılan 33 adet veri test edilmiştir ve sonuçları matematiksel model sonuçları ile karşılaştırılmıştır. Kurulan tüm yapay sinir ağı modeli girdi ve çıktıları bir transfer fonksiyonu ile öğrenmektedir. 3 farklı transfer fonksiyonu (lineer, sigmoid, tanjant hiperbolik) tüm girdi çıktı ikilisi arasında denenmiştir. En iyi sonucu veren transfer fonksiyonu her model için seçilerek modellerin optimizasyonu yapılmıştır. Optimize edilmemiş birinci yapay sinir ağı modelleri ile matematiksel model karşılaştırıldığında, 12 adet çıktının maksimum ortalama hatası %10.795 olarak bulunmuştur. Bu model optimize edildikten sonra ise 12 adet çıktının maksimum ortalama hatası %5.401' e düşmüştür. Optimize edilmiş test modelinde ise beklenildiği gibi (daha küçük öğretilmiş uzay ve zorlanmış veri ayıklanmasından dolayı) hata oranları bir miktar artmıştır ve 12 çıktının maksimum ortalama hatası %21.498 bulunmuştur. Yapılan bu çalışma ile kurutma makinalarının içine yapay sinir ağı kodları gömülerek, sistemin enerji tüketimini ve kurutma süresi iyileştirmesi anlık olarak yapılabileceği görülmüştür.