Karşıt Akışlı Ranque– Hilsch Vorteks Tüpünün Makine Öğrenmesi Metotları ile Performans Analizi

Year 2024, Volume: 12 Issue: 1, 439 - 450, 26.01.2024

Murat Korkmaz , Ayhan Doğan , Volkan Kırmacı

https://doi.org/10.29130/dubited.1267774

Abstract

Bu çalışmada, basınçlı oksijen gazı kullanarak aynı anda hem soğutma hem de ısıtma yapabilen ve kontrol vanası dışında hareketli parçası bulunmayan basit borudan meydana gelen Karşıt Akışlı Ranque-Hilsch Vorteks Tüp (KARHVT) kullanılmıştır. KARHVT’nün tasarımında boru 7 mm iç çapında ve 100 mm gövde uzunluğunda imal edilmiştir. KARHVT’ünde, nozul olarak pirinç, çelik, alüminyum ve polyamid üretilen 2, 3, 4, 5 ve 6 orfisli malzemesi kullanılmıştır. Yapılan deneylerde sıcak akışkan tarafında bulunan kontrol vanası tam açık konumda bırakılmış olup, giriş basıncı ilk 150 kPA olarak ayarlanmıştır. Daha sonra 50 kPa aralıklarla 700 kPa kadar veriler alınmıştır. KARHVT’de çıkan soğuk akışın sıcaklığı (Tsoğ) ve çıkan sıcak akış sıcaklığı (Tsck) ile arasındaki fark (ΔT) cinsinden bulunarak KARHVT’ün performansı optimizasyonu yapılmıştır. KARHVT’nün performansının optimizasyonunu, makine öğrenimi metotlarından Lineer Regresyon (LR), Regresyon Ağaçları (RA) ve Ağaç Toplulukları (AT) yöntemleri kullanılarak literatürdeki eksikliğin tamamlanması amaçlanmıştır. Çalışmada makine öğrenimi metotlarının her birinin analizi için, tüm verinin %80’i eğitim verisi, tüm verinin %20’si ise test verisi olarak kullanılmıştır. Çalışmanın sonunda eğitilen modeller sonunda gerçekleşen tahmin sonuçları ile gerçek deney sonuçları karşılaştırılarak yorumlanmıştır.

Keywords

Vorteks Tüp, Makine Öğrenme, Lineer Regresyon, Regresyon Ağaçları, Ağaç Toplulukları

References

• [1] M. Korkmaz, A. Dogan, and V. Kırmacı, “Performance Analysis of Counterflow Ranque – Hilsch Vortex Tube with Linear Regression, Support Vector Machines and Gaussian Process Regression Method,” Gazi J. Eng. Sci., vol. 8, no. 2, pp. 361–370, 2022, doi: doi:10.30855/gmbd.0705015.
• [2] Kırmacı, V, Kaya, H and Cebeci, i, “‘An experimental and exergy analysis of a thermal performance of a counter flow ranque–hilsch vortex tube with different nozzle materials,’” Int. J. Refrig., vol. 85, no. 2018, pp. 240–254, 2018.
• [3] H. Kaya, O. Uluer, E. Kocaoğlu, and V. Kirmaci, “Experimental analysis of cooling and heating performance of serial and parallel connected counterflow Ranquee–Hilsch vortex tube systems using carbon dioxide as a working fluid,” Int. J. Refrig., vol. 106, pp. 297–307, 2019, doi: 10.1016/j.ijrefrig.2019.07.004. LR RA AT DVM Determinasyon Katsayısı (R2) 0,90 0,75 0,92 0,97 Kök Ortalama Kare Hata (RMSE) 3,94 6,20 3,57 2,59 Ortalama Kare Hata (MSE) 15,49 38,48 12,76 6,2 Ortalama Mutlak Hata (MAE) 3,11 5,27 2,82 1,97 449
• [4] W. Fröhlingsdorf and H. Unger, “Numerical investigations of the compressible flow and the energy separation in the Ranque-Hilsch vortex tube,” Int. J. Heat Mass Transf., vol. 42, no. 3, pp. 415–422, 1998, doi: 10.1016/S0017-9310(98)00191-4.
• [5] A. D. Gutak, “Experimental investigation and industrial application of Ranque-Hilsch vortex tube,” Int. J. Refrig., vol. 49, no. 0, pp. 93–98, 2015, doi: 10.1016/j.ijrefrig.2014.09.021.
• [6] N. Bej and K. P. Sinhamahapatra, “Exergy analysis of a hot cascade type Ranque-Hilsch vortex tube using turbulence model,” Energy Econ., vol. 45, no. 1947, pp. 13–24, 2014, doi: 10.1016/j.ijrefrig.2014.05.020.
• [7] T. Dutta, K. P. Sinhamahapatra, and S. S. Bandyopadhyay, “Numerical investigation of gas species and energy separation in the Ranque-Hilsch vortex tube using real gas model,” Int. J. Refrig., vol. 34, no. 8, pp. 2118–2128, 2011, doi: 10.1016/j.ijrefrig.2011.06.004.
• [8] A. Berber, K. Dincer, Y. Yilmaz, and D. N. Ozen, “Rule-based Mamdani-type fuzzy modeling of heating and cooling performances of counterflow Ranque-Hilsch vortex tubes with different geometric construction for steel,” Energy, vol. 51, pp. 297–304, 2013, doi: 10.1016/j.energy.2013.01.005.
• [9] H. Pouraria and M. R. Zangooee, “Numerical investigation of vortex tube refrigerator with a divergent hot tube,” Energy Procedia, vol. 14, no. 2011, pp. 1554–1559, 2012, doi: 10.1016/j.egypro.2011.12.1132.
• [10] X. Han et al., “The influence of working gas characteristics on energy separation of vortex tube,” Appl. Therm. Eng., vol. 61, no. 2, pp. 171–177, 2013, doi: 10.1016/j.applthermaleng.2013.07.027.
• [11] M. Sadi and M. Farzaneh-Gord, “Introduction of Annular Vortex Tube and experimental comparison with Ranque-Hilsch Vortex Tube,” Int. J. Refrig., vol. 46, pp. 142–151, 2014, doi: 10.1016/j.ijrefrig.2014.07.004.
• [12] A. V. Khait, A. S. Noskov, A. V. Lovtsov, and V. N. Alekhin, “Semi-empirical turbulence model for numerical simulation of swirled compressible flows observed in Ranque-Hilsch vortex tube,” Int. J. Refrig., vol. 48, pp. 132–141, 2014, doi: 10.1016/j.ijrefrig.2014.09.006.
• [13] S. Eiamsa-ard, “Experimental investigation of energy separation in a counterflow Ranque-Hilsch vortex tube with multiple inlet snail entries,” Int. Commun. Heat Mass Transf., vol. 37, no. 6, pp. 637–643, 2010, doi: 10.1016/j.icheatmasstransfer.2010.02.007.
• [14] V. Kırmacı, “Paralel bağlı karşıt akışlı ranque-hilsch vorteks tüp sisteminde farklı çalışma akışkanı ve nozul malzemesi kullanımının performansa etkisinin deneysel incelenmesi,” Düzce Üniversitesi Bilim ve Teknol. Derg., vol. 8, no. 1, pp. 1204–1215, 2020.
• [15] J. Wei et al., “Machine learning in materials science,” InfoMat, vol. 1, no. 3, pp. 338–358, 2019.
• [16] T. E. Kalaycı, “Kimlik hırsızı web sitelerinin sınıflandırılması için makine öğrenmesi yöntemlerinin karşılaştırılması,” Pamukkale Üniversitesi Mühendislik Bilim. Derg., vol. 24, no. 5, pp. 870–878, 2018.
• [17] Q.-H. Luu, M. F. Lau, S. P. H. Ng, and T. Y. Chen, “Testing multiple linear regression systems with metamorphic testing,” J. Syst. Softw., vol. 182, p. 111062, 2021.
• [18] S. Rong and Z. Bao-Wen, “The research of regression model in machine learning field,” in MATEC Web of Conferences, 2018, vol. 176, p. 1033.
• [19] L. Rokach and O. Z. Maimon, Data mining with decision trees: theory and applications, vol. 81. World scientific, 2014.
• [20] G. Temel Orekici, “Sınıflama ve regresyon ağaçları,” Mersin Üniversitesi Sağlık Bilimleri Enstitüsü, Mersin, 2004.
• [21] F. Schiltz, C. Masci, T. Agasisti, and D. Horn, “Using regression tree ensembles to model interaction effects: a graphical approach,” Appl. Econ., vol. 50, no. 58, pp. 6341–6354, 2018.
• [22] D. Opitz and R. Maclin, “Popular ensemble methods: An empirical study,” J. Artif. Intell. Res., vol. 11, pp. 169–198, 1999.
• [23] T. G. Dietterich, “Ensemble methods in machine learning,” in International workshop on multiple classifier systems, 2000, pp. 1–15.
• [24] G. Valentini and F. Masulli, “Ensembles of learning machines,” in Italian workshop on neural nets, 2002, pp. 3–20.
• [25] L. Rokach, “Ensemble-based classifiers,” Artif. Intell. Rev., vol. 33, no. 1, pp. 1–39, 2010, doi: 45010.1007/s10462-009-9124-7.
• [26] L. Breiman, “Bias, variance, and arcing classifiers,” Tech. Rep. 460, Statistics Department, University of California, Berkeley …, 1996.
• [27] Z.-H. Zhou, J. Wu, and W. Tang, “Ensembling neural networks: Many could be better than all,” Artif. Intell., vol. 137, no. 1, pp. 239–263, 2002, doi: https://doi.org/10.1016/S0004-3702(02)00190-X.
• [28] L. Breiman, “Random forests,” Mach. Learn., vol. 45, no. 1, pp. 5–32, 2001.
• [29] R. Katuwal, P. N. Suganthan, and L. Zhang, “An ensemble of decision trees with random vector functional link networks for multi-class classification,” Appl. Soft Comput., vol. 70, pp. 1146–1153, 2018.
• [30] M. Shoaran, B. A. Haghi, M. Taghavi, M. Farivar, and A. Emami-Neyestanak, “Energy-efficient classification for resource-constrained biomedical applications,” IEEE J. Emerg. Sel. Top. Circuits Syst., vol. 8, no. 4, pp. 693–707, 2018.
• [31] V. Vapnik, “The nature of statistical learning theory,” NY Springer-Verlag, 1995.
• [32] K. P. Soman, R. Loganathan, and V. Ajay, Machine learning with SVM and other kernel methods. PHI Learning Pvt. Ltd., 2009.
• [33] S. Ayhan and Ş. Erdoğmuş, “Destek vektör makineleriyle sınıflandırma problemlerinin çözümü için çekirdek fonksiyonu seçimi,” Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilim. Derg., vol. 9, no. 1, pp. 175–201, 2014.
• [34] S. Tolun, “Destek vektör makineleri: Banka başarısızlığının tahmini üzerine bir uygulama,” İstanbul ÜniversitesiSosyal Bilimler Enstitüsü, İstanbul, 2008.
• [35] S. Haykin, “Neural Networks, a comprehensive foundation, Prentice-Hall Inc,” Up. Saddle River, New Jersey, vol. 7458, pp. 161–175, 1999.
• [36] N. Cristianini and J. Shawe-Taylor, An introduction to support vector machines and other kernel-based learning methods. Cambridge university press, 2000.
• [37] T. Kavzoğlu and İ. Çölkesen, “Destek vektör makineleri ile uydu görüntülerinin sınıflandırılmasında kernel fonksiyonlarının etkilerinin incelenmesi,” Harit. Derg., vol. 144, no. 7, pp. 73–82, 2010.
• [38] S. Huang, N. Cai, P. P. Pacheco, S. Narrandes, Y. Wang, and W. Xu, “Applications of support vector machine (SVM) learning in cancer genomics,” Cancer Genomics Proteomics, vol. 15, no. 1, pp. 41–51, 2018.