Application of artificial neural networks for predicting heat transfer performance of phase change material tube bank under electric field

การประยุกต์ใช้เครือข่ายประสาทเทียมในการคาดการณ์สมรรถนะเชิงความร้อนของกลุ่มท่อสารเปลี่ยนสถานะภายใต้สนามไฟฟ้า

Name: Tang, Ekuong

LCSH: Heat -- Transmission

LCSH: Heat exchangers

LCSH: Electric fields

Abstract: Numerous studies have explored the use of artificial neural networks (ANNs) to predict the heat transfer performance of tube bank heat exchangers subjected to electric fields. ANNs are instrumental in addressing the complexities of heat exchanger systems by efficiently managing nonlinear interactions and multiple variables, delivering accurate predictions where traditional methods often fall short. This research has significant practical relevance, particularly in HVAC systems, where enhanced heat transfer performance can lead to reduced energy consumption and lower operational costs. It also introduces innovative strategies for optimizing industrial heat exchanger designs. This study conducted an experimental analysis of the thermal performance of a tube bank configuration consisting of four rows and four columns of tubes, each with a diameter of 2 cm. The system maintained uniform airflow across the tube bank, with transverse and longitudinal pitch ratios of 2 cm and 4.5 cm, respectively. The paraffin phase change material (PCM) type RT31 was utilized during the discharge process under electrohydrodynamic (EHD) conditions. The effects of EHD voltages ranging from 0 to 17 kVDC and frequencies between 5 kHz and 100 kHz were investigated. The experimental results identified 30 kHz as the optimal frequency for high DC power supply of 0–17 kVDC to the PCM within the tube bank conditions under air velocity were varied between 0.2 and 1.2 m/s. The dataset consisted of 2,056 data points under the conditions such as inlet air temperature of 40°C, a duration ranging from 0 to 253 minutes, an air velocity between 0.2 and 1.2 m/s, and a high-voltage DC range of 7–17 kVDC, with outlet air temperature and RT31 temperatures serving as output variables. Various configurations of the artificial neural network (ANN) model were tested, including different activation functions and varying numbers of neurons in the first hidden layer. The results indicated that the sigmoid-purelin activation function combination was well-suited for heat transfer analysis. The optimal model performance was achieved with 10 neurons in the first hidden layer and a training epoch of 39. The selection of the optimal model was based on achieving the lowest mean squared error (MSE) of 10⁻⁸ across training, testing, and validation datasets. The ANN model exhibited strong predictive capabilities, closely matching experimental data and accurately predicting system performance under various conditions within the tube bank. Additionally, correlations were established to estimate outlet air temperatures for different maximum Reynolds numbers of the tube bundle, both with and without the application of an electric field. The study further demonstrated that electrohydrodynamic (EHD) technology reduced power consumption by up to 13% compared to non-EHD PCM tube bank conditions, highlighting its potential for energy savings in heat exchanger applications.

Abstract: การศึกษาจำนวนมากได้สำรวจการใช้โครงข่ายประสาทเทียม เพื่อทำนายประสิทธิภาพการถ่ายเทความร้อนของเครื่องแลกเปลี่ยนความร้อนแบบกลุ่มท่อภายใต้สนามไฟฟ้า ซึ่งโครงข่ายประสาทเทียมมีบทบาทสำคัญในการจัดการความซับซ้อนของระบบแลกเปลี่ยนความร้อน โดยจัดการกับปฏิสัมพันธ์ที่ไม่เป็นเชิงเส้นและตัวแปรหลายตัวได้อย่างมีประสิทธิภาพ ให้การทำนายที่แม่นยำ ในกรณีที่วิธีแบบดั้งเดิมมักไม่เพียงพอ งานวิจัยนี้มีความสำคัญในทางปฏิบัติ โดยเฉพาะในระบบทำความเย็นที่การเพิ่มประสิทธิภาพการถ่ายเทความร้อนสามารถนำไปสู่การลดการใช้พลังงานและต้นทุนการดำเนินงาน อีกทั้งยังแนะนำ กลยุทธ์นวัตกรรมสำหรับการออกแบบเครื่องแลกเปลี่ยนความร้อนในอุตสาหกรรมการศึกษานี้ได้ทำการวิเคราะห์เชิงทดลองเกี่ยวกับสมรรถนะเชิงความร้อนของการจัดเรียงท่อแบบสี่แถวสี่คอลัมน์ โดยแต่ละท่อมีเส้นผ่านศูนย์กลาง 2 เซนติเมตร ระบบมีการไหลของอากาศสม่ำเสมอผ่านกลุ่มท่อ โดยมีอัตราส่วนระยะห่างตามขวางและตามยาวที่ 2 เซนติเมตร และ 4.5 เซนติเมตร ตามลำดับ ใช้สารเปลี่ยนสถานะชนิดพาราฟิน ชนิด RT31ในกระบวนการคายความร้อนด้วยพลศาสตร์ของไหลภายใต้สนามไฟฟ้า โดยศึกษาผลกระทบของแรงดันไฟฟ้าในช่วง 0-17 กิโลโวลต์ และความถี่ระหว่าง 5-100 กิโลเฮิรตซ์ จากการทดสอบ พบว่า ที่ความถี่ 30 kHz เป็นความถี่ที่เหมาะสมที่สุดสำหรับการจ่ายไฟ DC สูง 0–17 kVDC ไปยัง PCM ภายใต้เงื่อนไขของท่อภายใต้ความเร็วลมที่เปลี่ยนแปลงระหว่าง 0.2 ถึง 1.2 m/sชุดข้อมูลประกอบด้วยจุดข้อมูล 2,056 จุด ภายใต้เงื่อนไข เช่น อุณหภูมิอากาศขาเข้า 40°C ระยะเวลาตั้งแต่ 0 ถึง 253 นาที ความเร็วลมระหว่าง 0.2 ถึง 1.2 m/s และช่วง DC แรงดันไฟฟ้าสูง 7–17 kVDC โดยอุณหภูมิอากาศขาออกและอุณหภูมิ RT31 ทำหน้าที่เป็นตัวแปรเอาต์พุต การกำหนดค่าต่างๆ ของแบบจำลองเครือข่ายประสาทเทียม (ANN) ได้รับการทดสอบ รวมถึงฟังก์ชันการกระตุ้นที่แตกต่างกันและจำนวนนิวรอนที่แตกต่างกันในชั้นซ่อนชั้นแรก ผลลัพธ์บ่งชี้ว่าการผสมผสานฟังก์ชันการทำงานของซิกมอยด์-เพียวลินนั้นเหมาะสมอย่างยิ่งสำหรับการวิเคราะห์การถ่ายเทความร้อน ประสิทธิภาพของแบบจำลองที่เหมาะสมที่สุดนั้นทำได้ด้วยเซลล์ประสาท 10 เซลล์ในเลเยอร์ที่ซ่อนชั้นแรกและยุคการฝึก 39 ยุค การเลือกแบบจำลองที่เหมาะสมที่สุดนั้นขึ้นอยู่กับการบรรลุข้อผิดพลาดกำลังสองเฉลี่ย (MSE) ต่ำสุดที่ 10⁻⁸ จากชุดข้อมูลการฝึก การทดสอบ และการตรวจสอบ แบบจำลองโครงข่ายประสาทเทียม แสดงให้เห็นถึงความสามารถในการทำนายที่แข็งแกร่ง ตรงกับข้อมูลการทดลองอย่างใกล้ชิด และทำนายประสิทธิภาพของระบบได้อย่างแม่นยำภายใต้เงื่อนไขต่างๆ ภายในกลุ่มท่อ นอกจากนี้ ยังมีการสร้างความสัมพันธ์เพื่อประมาณอุณหภูมิอากาศทางออกสำหรับหมายเลขเรย์โนลด์สูงสุดที่แตกต่างกันของกลุ่มท่อ ทั้งที่มีและไม่มีการใช้สนามไฟฟ้า การศึกษายังแสดงให้เห็นเพิ่มเติมว่าเทคโนโลยีพลศาสตร์ของไหลภายใต้สนามไฟฟ้า ช่วยลดการใช้พลังงานได้ถึง 13% เมื่อเทียบกับเงื่อนไขกลุ่มท่อ ที่มีสารเปลี่ยนสถานะที่ไม่มีอิทธิพลของสนามไฟฟ้า ซึ่งเน้นย้ำถึงศักยภาพในการประหยัดพลังงานในการใช้งานเครื่องแลกเปลี่ยนความร้อน

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Attakorn Asanakham

Role: Advisor

Created: 2025

Modified: 2025-08-07

Issued: 2025-08-07

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Master of Engineering

Level: Master's Degree

Descipline: Energy Engineering

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	650631095.pdf	8.14 MB

ใช้เวลา

0.031582 วินาที