چكيده فارسي :
لوله گردابه‌اي يكي از سيستم‌هاي سرمايشي بسيار پركاربرد در صنعت است. بررسي تاثير كليه متغيرهاي ورودي بر اختلاف دماي خروجي سرد در حالت آزمايشگاهي، زمان‌بر و پرهزينه است. به همين منظور در كار حاضر سعي شده تا با استفاده از روش سيستم استنتاج عصبي- فازي تطبيقي تاثير كليه متغيرهاي ورودي بر اختلاف دماي هواي خروجي سرد و هواي ورودي، مدل‌سازي و پيش‌بيني شود. روش سيستم استنتاج عصبي- فازي تطبيقي، با سه ساختار سيستم استنتاج فازي به‌نام‌هاي الگوريتم خوشه‌بندي كاهشي، خوشه‌بندي اختياري و منقطع‌سازي شبكه‌اي با چهار نوع تابع عضويت ورودي مثلثي، گاوسي، زنگوله‌اي و شبه‌پي طراحي شد. براي آموزش و آزمون مدل، از 326 داده آزمايشگاهي استفاده شد. مقايسه مدل‌هاي توسعه‌يافته با استفاده از پارامترهاي آماري ضريب همبستگي، ميانگين انحراف نسبي مطلق، انحراف استاندارد و خطاي مربع ميانگين ريشه همراه با تابع مطلوبيت كلي انجام شد. نتايج نشان داد كه الگوريتم منقطع‌سازي شبكه‌اي با تابع عضويت ورودي نوع شبه‌پي با دارابودن بيشترين مقدار ضريب همبستگي و كمترين مقدار خطاي مربع ميانگين ريشه براي داده‌هاي آزمون با مقادير 0/9975 و 0/4199 و مقدار تابع مطلوبيت كلي0/71 بهترين روش براي پيش‌بيني اختلاف دماي خروجي سرد است. با استفاده از روش فوق، بهينه‌ترين حالت عملكرد لوله گردابه‌اي جهت كاربردهاي صنعتي استفاده از 3 يا 6 عدد نازل، محدوده فشار 0/55 تا 0/6 مگاپاسكال و زاويه نازل 20 تا 30درجه و جهت كاربردهاي آزمايشگاهي تعداد 6 نازل، محدوده فشار 0/55 تا 0/6مگاپاسكال و زاويه نازل 25 تا 35درجه به‌دست آمد.
چكيده لاتين :
The vortex tube is one of the widely used cooling systems in the industry. Investigating the
effect of all input variables on the outlet cold temperature difference in laboratory state is timeconsuming
and costly. To this purpose, in the current study, attempts were made to model and
predict the effect of all input variables on the outlet cold temperature difference of air and
inlet air using adaptive neuro-fuzzy inference system (ANFIS) method. The ANFIS method was
designed with three structures of fuzzy inference systems called subtractive clustering (SC)
algorithm, fuzzy c-means (FCM), and grid partition (GP) with four types of input membership
functions including trimf, gaussmf, gbellmf, and pimf. For model training and testing, 326
laboratory data were used. The developed models were compared using statistical parameters
of correlation coefficient, mean absolute relative deviation, standard deviation, and root mean
square error (RMSD) together with general desirability function. The results showed that
GP algorithm with input pimf membership function with the greatest value of correlation
coefficient (0.9975) and lowest value of RMSD for test data (0.4199) and general desirability
function value of 0.71 is the best method to predict outlet cold temperature difference. Using the
above-mentioned method, the most optimum state of vortex tube performance for industrial
applications was found to be the use of 3 or 6 nozzels, at the pressure range of 0.55 to 0.6MPa
and the nozzle angle of 20 to30 degrees, and for laboratory applications was obtained to be
the use of 6 nozzles, at the pressure range of 0.55 to 0.6MPa, and the nozzle angle of 25 to 35
degrees
