|
|
پژوهش نفت، جلد ۳۵، شماره ۱۴۰۴-۱، صفحات ۰-۰
|
|
|
| عنوان فارسی |
به کارگیری دینامیک سیالات محاسباتی و یادگیری ماشین در پیش بینی عملکرد پیل سوختی اکسید جامد لوله ای با سوخت آمونیاک |
|
| چکیده فارسی مقاله |
در این پژوهش، یک پیل سوختی اکسید جامد با سوخت آمونیاک و دمای کاری متوسط، بوسیله دینامیک سیالات محاسباتی و یادگیری ماشین، شبیه‌سازی شده و تحت ارزیابی عملکرد قرار گرفته است. نخست، هندسه مسأله به صورت متقارن محوری شبیه‌سازی شده و معادلات شامل بقای جرم، ممنتوم، گونه‌ها، انرژی و بار الکتریکی، با استفاده از یک برنامه عددی المان محدود، تعریف، جفت و حل می‌گردد. سپس برای بررسی الگوریتم یادگیری ماشین، عبارت‌های چگالی توان و دمای بیشینه، به‌عنوان توابع هدف و عبارت‌های دمای ورودی، تخلخل الکترودها و سرعت جریان‌های سوخت و هوا به‌عنوان متغیرهای اثرگذار انتخاب می‌شوند. پس از ایجاد داده‌های کافی با ششصد و یک بار تکرار حل عددی در حالت‌های مختلف عبارت‌های ورودی، فرآیند یادگیری ماشین با استفاده هشتاد و پنج درصد داده‌ها برروی ساختارهای گوناگون الگوریتم شبکه عصبی عمیق آغاز می‌گردد. نتایج نشان می‌دهد که در ساختار بهینه الگوریتم، عملکرد ماشین در پیش بینی توابع هدف، مناسب و قابل قبول می‌باشد. براین اساس،R^2 ماشین در پیش بینی توابع دمای بیشینه و چگالی توان، به‌ترتیب 99/0 و 98/0 می-باشند. |
|
| کلیدواژه‌های فارسی مقاله |
پیل سوختی اکسید جامد،آمونیاک،دینامیک سیالات محاسباتی،یادگیری ماشین،شبکه عصبی عمیق، |
|
| عنوان انگلیسی |
Application of Computational Fluid Dynamics and Machine Learning in Predicting Performance of Tubular Solid Oxide Fuel Cell Ammonia Fuelled |
|
| چکیده انگلیسی مقاله |
In this research, an ammonia fuelled intermediate temperature solid oxide fuel cell (IT-SOFC) has been simulated and performance evaluated by computational fluid dynamics and machine learning. First, the geometry of the problem is modeled in an axisymmetric manner and the equations including conservation of mass, momentum, species, energy and electric charge are defined, coupled and solved using a finite element numerical code. Then, to check the machine learning algorithm, terms of power density and maximum temperature are selected as objective functions and terms of input temperature, porosity of electrodes and velocity of fuel and air flows are selected as influencing variables. After generating the adequate data by repeating the numerical solution six hundred and one times in different cases of the input parameters, the machine learning process begins by using eighty five percent of the data on the different structures of the deep neural network algorithm. The results show that in the optimal structure of the algorithm, the performance of the machine in predicting the objective functions is appropriate and acceptable. Therefore, R^2 of the machine in predicting the maximum temperature and power density functions are 0.99 and 0.98, respectively. |
|
| کلیدواژه‌های انگلیسی مقاله |
پیل سوختی اکسید جامد,آمونیاک,دینامیک سیالات محاسباتی,یادگیری ماشین,شبکه عصبی عمیق |
|
| نویسندگان مقاله |
مهدی کیهانپور |
دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران
مجید قاسمی |
دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، تهران، ایران
|
|
| نشانی اینترنتی |
https://pr.ripi.ir/article_1484_fa9b6b372cd12764ae65b041a3ddcc75.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|