Makine öğrenme yöntemlerini kullanarak paralel bağlı üç adet zıt akışlı Ranque - Hilsch vorteks tüp sistem performansının karşılaştırılması

Abstract

Bu çalışmada, hacimsel debinin kontrolü amacıyla yalnızca bir adet kontrol vanası kullanılarak, hareketli parça içermeyen üç adet karşıt akışlı vorteks tüp kaskad bağlantı yöntemiyle birleştirilmiş ve deneysel sistemi tasarlanmıştır. Sistemdeki nozullar, farklı adetlerde üretilerek monte edilmiş ve değişimlerin tüplerin performansı üzerindeki etkileri deneysel olarak analiz edilmiştir. Çalışmalar, teorik modellemelerle desteklenen deneysel incelemeleri içermektedir. Vorteks tüplerinin performansı kaskad tipi ile iyileştirileceği amaçlanmaktadır. Çalışmada, vorteks tüplerin termodinamik davranışı birinci ve ikinci yasa çerçevesinde analiz edilmiştir. İkinci yasa kapsamında, giriş basıncının sıcak ve soğuk çıkış akışkanlarının sıcaklıkları üzerindeki etkisini açıklayan teorik modeller oluşturulmuştur. Deneysel sistemden alınan veriler makine öğrenme metotları olan DVM), Regresyon Ağaçları (RA), Elastik Net (EN) ve Hafif Gradyan Artırma Yöntemi (LGBM) analizleri yapılarak karşılaştırılmıştır. Kaskad Vorteks Tüpünün (KVT) sıcak akışkan çıkış sıcaklkığı (Tsıcak), soğuk akışkan çıkış sıcaklığı (Tsoğuk), ve sıcaklık farkı ?T çıktı performanslarını RA, DVM, EN ve LGBM metotları ile karşılaştırılmıştır.In this research, a novel experimental setup was designed to investigate the thermal behavior of a cascade system composed of three counter-flow Ranque-Hilsch vortex tubes. The system operates without any moving mechanical components, apart from control valves used to regulate the volumetric air flow. Vortex tubes with varying nozzle configurations were employed to assess the influence of nozzle count on cooling performance. Theoretical analyses based on the first and second laws of thermodynamics were conducted to establish the relationship between inlet pressure and the resulting temperature separation.Furthermore, a comprehensive machine learning approach was implemented using Support Vector Machines (SVM), Regression Trees (RT), Elastic Net (EN), and Light Gradient Boosting Machine (LGBM) algorithms to model and predict the hot outlet temperature and the cold-hot temperature differential. The predictive capabilities of the models were comparatively evaluated, highlighting the most effective algorithm for estimating system performance under varying operational parameters.