FARKLI BORU TİPLERİNDE YOĞUŞMA ISI TRANSFERİ KARAKTERİSTİKLERİNİN MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE İNCELENMESİ
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Makine Mühendisliği, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: SELENAY BÜŞRA ÖNAL
Asıl Danışman (Eş Danışmanlı Tezler İçin): Ahmet Selim Dalkılıç
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu tez çalışmasının amacı, yoğuşmada pürüzsüz helisel ve pürüzlü helisel borularda içinde R134a veya R600a bulunan akışkanların ısı taşınım katsayısı ve basınç düşümü karakteristiklerini makine öğrenmesi yöntemleri kullanarak incelemektir. Helezon borularda geleneksel olan yapı; boru dış yüzeyinin pürüzsüz olması durumu olup, bu konuda pek çok çalışma literatürde mevcuttur. Buna karşın literatürde helisel borularda yoğuşma üzerine kısıtlı sayıda deneysel çalışma olduğu ve makine öğrenmesi yöntemlerinin çok az uygulandığı görülmüştür. Bu tez çalışması kapsamında, makine öğrenmesi yöntemlerinden olan Yapay Sinir Ağları (YSA) ve Extreme Gradient Boosting (XGBoost) algoritmaları kullanılarak farklı boru tiplerinde yoğuşma sırasında ısı transferi karakteristikleri incelenmiştir. Analizler için 4 tip boru ve 2 tip soğutucu akışkan seçimi yapılmıştır. Analizlerde boru tipi olarak mikro kanatlı helisel boru, çukurlu helisel boru, pürüzsüz helisel boru ve pürüzsüz düz boru kullanılmış olup, akışkan olarak R134a ve R600a kullanılmıştır. Boyutlu sayılardan oluşan ilk veri seti için toplamda 3321 veri elde edilmiştir. Veriseti- 1 için Yapay Sinir Ağları (YSA) ve Extreme Gradient Boosting (XGBoost) algoritmaları kullanılarak girdi verilerinin (kütle akısı, doyma sıcaklığı, ortalama buhar kalitesi, ısı iletim katsayısı, boru boyu uzunluğu, buharlaşma entalpisi ve dinamik viskozite) çıktı verileri (ortalama yoğuşma ısı transfer katsayısı ve ortalama sürtünme basınç düşümü) üzerine etkisi incelenmiştir. Boyutsuz sayılardan oluşan ikinci veri seti için toplamda 2538 veri elde edilmiştir. Veriseti- 2 için Yapay Sinir Ağları (YSA) ve Extreme Gradient Boosting (XGBoost) algoritmaları kullanılarak girdi verilerinin (Reynolds sayısı, Prandtl sayısı, Lockhart-Martinelli parametresi, Eşdeğer Dean sayısı, indirgenmiş basınç, boşluk oranı) çıktı verileri (iki fazlı Nusselt sayısı, deneysel iki fazlı Nusselt sayısı ve iki fazlı sürtünme basınç gradyanı çarpanı) üzerine etkisi incelenmiştir. Her iki veri seti için tahminlerin doğruluğunu ölçmek amacıyla ortalama karesel hata (MSE) değeri ve korelasyon katsayısı (R2) değerleri hesaplanmıştır. Ardından bağımlılık analizi yapılmıştır. Yapay sinir ağı (YSA) analizinde Çok Katmanlı Algılayıcılar (MLP) modeli kullanılarak yapılan analiz sonucunda Veriseti-1 için "Tansig-Tansig-Purelin" transfer fonksiyonunda,3000 iterasyonda, 0.01 öğrenme oranında ve ''trainlm'' eğitim fonksiyonunda eğitim verisine ait MSE değeri 0.00415 iken, Veriseti-2 için yapılan analizde MSE değeri 0.00270 olarak bulunmuştur. Veriseti-1 için korelasyon katsayısı (R2) 0.99075 iken Veriseti-2 için korelasyon katsayısı (R2) 0.98638 olarak bulunmuştur. XGBoost analizinde ise her bir çıktı için yeniden analiz yapılarak korelasyon katsayısı değerleri elde edilmiş ve sonuçlar karşılaştırılmıştır. XGBoost analizinde korelasyon katsayılarının 1'e yakın olması ve MSE ve RMSE değerlerinin sıfıra yakın olması, geliştirilen modelin doğruluğunu göstermiştir. Yapay sinir ağları ve XGBoost makine öğrenmesi yöntemleri kullanılarak yapılan analiz sonuçlarından elde edilen tahmin değerleri kullanılarak OriginPro 2021 programında her çıktı için grafikler elde edilmiştir.