هوش مصنوعی | متن کامل رایگان | افزایش بازیابی حرارت اتلاف حرارتی- صوتی از طریق یادگیری ماشینی: تحلیل مقایسه ای شبکه عصبی مصنوعی-بهینه سازی ازدحام ذرات، سیستم استنتاج فازی عصبی تطبیقی، و مدل های شبکه عصبی مصنوعی

هوش مصنوعی (AI) محققان در سراسر جهان به ویژه در رشته های مختلف مهندسی و علوم حرارتی را مجذوب خود کرده است. می توان آن را به عنوان توسعه یک سیستم کامپیوتری با قابلیت انجام وظایفی که به طور سنتی به هوش انسانی نیاز داشت، از جمله تصمیم گیری، تشخیص الگو و شناسایی سرعت تعریف کرد. هوش مصنوعی طیف گسترده ای از فناوری ها مانند یادگیری عمیق (DL)، پردازش زبان طبیعی (NLP) و یادگیری ماشین (ML) را در بر می گیرد. در حوزه تحقیقات سیستم‌های ترموآکوستیک، مدل‌های هوش مصنوعی در وظایفی از انتخاب پارامتر و بهینه‌سازی تا پیش‌بینی خروجی کاربرد پیدا کرده‌اند. [۱].

شبکه عصبی مصنوعی (ANN) مجموعه ای از اجزای به هم پیوسته است که برای پردازش داده ها و تقلید فرآیندهای شناختی مغز انسان طراحی شده است. این شامل لایه های متصل از نورون ها است [۱]. داده ها از طریق شبکه از لایه ای به لایه دیگر از طریق اتصالات یا سیناپس ها منتقل می شوند که هر کدام با قدرت یا وزن خاص خود مشخص می شوند. [۱]. برای ایجاد ارتباط لازم بین خروجی و ورودی شبکه، مقادیر باید هم برای تابع فعال‌سازی و هم برای وزن اتصال تعیین شوند. کل این فرآیند تحت عنوان آموزش تحت نظارت نامیده می شود [۱]. هنگامی که شبکه های عصبی مصنوعی در رایانه پیاده سازی می شوند، از قبل برای انجام وظایف خاص برنامه ریزی نشده اند. در عوض، آنها تحت آموزش قرار می گیرند تا الگوهایی را از ورودی های ارائه شده و داده های مرتبط بیاموزند. هنگامی که مرحله آموزش کامل شد، می توان الگوهای جدیدی را برای طبقه بندی یا پیش بینی ارائه کرد [۱,۲]. ANN ها توانایی یادگیری الگوها را به طور مستقل از منابع مختلف، از جمله داده های مدل های فیزیکی، سیستم های دنیای واقعی، برنامه های کامپیوتری و غیره دارند. آنها در مدیریت ورودی های متعدد و تولید خروجی های مناسب برای پردازش یا تجزیه و تحلیل بیشتر توسط طراحان ماهر هستند. شبکه های عصبی مصنوعی که به عنوان توسعه مدل های ریاضی زیست شناسی عصبی توسعه یافته اند، بر این فرض عمل می کنند که پردازش اطلاعات در عناصری به نام نورون ها انجام می شود. [۲]. سیگنال ها از طریق نورون ها از طریق پیوندهای اتصال منتقل می شوند و هر نورون از یک تابع فعال سازی (معمولاً غیرخطی با توجه به ورودی خالص خود) برای تعیین سیگنال های خروجی خود استفاده می کند. [۲]. یکی از نقاط قوت کلیدی شبکه‌های عصبی مصنوعی در توانایی آنها برای کسب دانش از مثال‌ها نهفته است، و آنها را به حل‌کننده‌های ماهر با مزایای قابل توجه تبدیل می‌کند، به‌ویژه وقتی صحبت از یادگیری و تشخیص روابط اساسی بین ورودی‌ها و خروجی‌ها بدون در نظر گرفتن صریح اصول فیزیکی باشد. [۳].

در سال‌های اخیر، محققان به روش‌های مختلف بهینه‌سازی الهام گرفته از طبیعت، از جمله بهینه‌سازی غذای باکتری، الگوریتم‌های ژنتیک، کلونی زنبورهای مصنوعی، بهینه‌سازی کلونی مورچه‌ها و بهینه‌سازی ازدحام ذرات (PSO) پرداخته‌اند. [۴]. در میان این تکنیک‌ها، PSO به‌عنوان یک روش مؤثر و امیدوارکننده برای مقابله با مسائل بهینه‌سازی غیرمحدب و غیرخطی بسیار محدود ظاهر شده است. [۴]. PSO که ابتدا توسط ابرهارت و کندی معرفی شد، از رفتارهای مشارکتی مشاهده شده در طبیعت، مانند پرورش ماهی و گله پرندگان الهام می گیرد. [۴]. در PSO، راه‌حل‌های بالقوه برای یک مسئله بهینه‌سازی با ذرات درون فضای طراحی نشان داده می‌شوند [۴]. هر ذره به صورت پویا مکان خود را بر اساس بهترین موقعیت خود و بهترین موقعیت جمعی کل گروه در هر نسل به روز می کند. [۴]. از مزایای قابل توجه PSO می توان به تنظیم حداقل پارامتر در مقایسه با سایر تکنیک های رقیب، زمان محاسباتی کم و توانایی آن در ادغام یکپارچه با روش های دیگر برای تشکیل ابزارهای ترکیبی اشاره کرد. علاوه بر این، الگوریتم PSO مستقل از راه حل اولیه است و فرآیند تکرار خود را بدون تکیه بر یک نقطه شروع خاص آغاز می کند.

ماهیت PSO در تعامل و ارتباط پویا بین گروهی از ذرات یا افراد به هم پیوسته نهفته است. این موجودیت ها با استفاده از گرادیان ها یا مسیرهای جستجو برای افزایش کاوش جمعی خود در فضای راه حل، تعامل، پیوند و ارتباط برقرار می کنند. [۴]. در الگوریتم PSO، ذرات تثبیت شده فضای جستجو را به دنبال بهینه جهانی طی می کنند. در طول فرآیند تکراری، هر ذره موقعیت خود را بر اساس تجربیات گذشته، دانش و اطلاعات جمع‌آوری‌شده از زمینه جستجوی اطراف خود اصلاح می‌کند. مسیر حرکت ذرات با تاکید بر اهمیت ارتباط موثر در هدایت فرآیند ناوبری بسیار مهم است. [۴].

سیستم استنتاج فازی عصبی تطبیقی ​​(ANFIS) یک تکنیک پیچیده است که به طور یکپارچه شبکه های عصبی (NN) و سیستم های فازی را ادغام می کند. [۵]. کاربرد همه کاره آن حوزه های مختلفی از تحقیقات سری های زمانی را شامل می شود، از جمله پیش بینی سری های زمانی آشفته از طریق اجرای ANFIS بر اساس تجزیه و تحلیل طیف منفرد. [۵]و همچنین پیش‌بینی سری‌های زمانی فازی و پیش‌بینی سری‌های زمانی آشفته با استفاده از رویکرد ANFIS پیشرفته [۵]. علاوه بر این، ANFIS در ابداع روش‌های نوآورانه برای پیش‌بینی روند قیمت نفت، پیش‌بینی نوسانات مالی و پیش‌بینی بازده سهام نقش مهمی داشته است. [۵]. در چارچوب ANFIS، گره های پنهان شبکه عصبی و اجزای سیستم فازی به همان اندازه محوری هستند. این معماری شامل پنج لایه ثابت است که شامل فازی سازی (لایه-۱)، سیستم استنتاج فازی (لایه-۲ و لایه-۳)، فازی سازی (لایه-۴) و تجمع (لایه-۵) می شود. [۵]. این رویکرد ساختار یافته به طور هماهنگ نقاط قوت شبکه های عصبی و منطق فازی را ترکیب می کند. تکنیک های محاسبات نرم نقش مهمی در ارائه راه حل های تقریبی برای مسائل پیچیده ایفا می کنند [۶]. در دوران معاصر، این روش‌ها کاربرد گسترده‌ای در رشته‌های مختلف پیدا می‌کنند و به اهداف مختلفی از جمله بهینه‌سازی، پیش‌بینی و طراحی خدمت می‌کنند. قابل ذکر است که روش‌های محاسبات نرم در طراحی و تجزیه و تحلیل سیستم‌های پیچیده مانند موتورهای استرلینگ، ژنراتورهای ترموآکوستیک موج سفر و یخچال‌های ترموآکوستیک استفاده گسترده‌ای داشته‌اند. [۶]. از جمله رویکردهای هوشمند غالب که برای سیستم‌های ترموآکوستیک اعمال می‌شود، ANFIS، الگوریتم‌های ژنتیک (GA)، بهینه‌سازی ازدحام ذرات، منطق فازی و شبکه‌های عصبی مصنوعی (ANN) هستند. [۶].

ترموآکوستیک زمینه ای است که تعامل بین انتقال حرارت و آکوستیک را بررسی می کند [۷]. در سیستم‌های ترموآکوستیک، یک عملکرد دوگانه وجود دارد: آنها می‌توانند از کار صوتی برای تسهیل انتقال گرما از یک محیط با دمای پایین به یک محیط با دمای بالا استفاده کنند، یا می‌توانند انرژی حرارتی را برای تولید کار آکوستیک مهار کنند. [۷]. این سیستم ها به طور کلی به دو نوع تقسیم می شوند: پمپ های حرارتی که به عنوان یخچال یا خنک کننده عمل می کنند و موتورهای اصلی که به عنوان موتورهای حرارتی عمل می کنند. به طور خاص، یک پمپ حرارتی از نیروی صوتی برای انتقال گرما از سطح دمای پایین‌تر به سطح بالاتر استفاده می‌کند، در حالی که موتورهای حرارتی، توان حرارتی را به توان صوتی تبدیل می‌کنند. از نظر عملی، پمپ‌های حرارتی طوری طراحی شده‌اند که دمای یک فضای تعیین‌شده را بالاتر از محیط اطراف خود حفظ کنند، در حالی که یخچال‌ها طوری طراحی شده‌اند که دمای یک فضای معین را کمتر از دمای محیط اطراف نگه دارند. [۷]. شکل ۱ یک نمایش بصری از فرآیندهای تبدیل ذاتی موتورهای ترموآکوستیک و یخچال ها ارائه می دهد.

کیشا و همکاران در مطالعه خود. [۸] یک موتور ترموآکوستیک طراحی شده برای تبدیل موثر انرژی حرارتی به توان صوتی و در نهایت تبدیل آن به الکتریسیته طراحی شده است. محیط کار برای این سیستم نوآورانه هوا در فشار اتمسفر بود. محققان از یک موتور ترموآکوستیک لوله‌دار با دو مبدل حرارتی استفاده کردند. علاوه بر این، آنها یک مدل عددی جامع را با استفاده از نرم‌افزار DeltaEC (DeltaEC 6.2)، به‌ویژه برای یک موتور ترموآکوستیک دو هسته‌ای لوله‌دار ایجاد کردند. برای اطمینان از صحت شبیه سازی آنها، مدل عددی به شدت در برابر داده های تجربی اعتبارسنجی شد. این تحقیق بر درک تأثیر منابع مختلف گرما بر تبدیل گرما به انرژی صوتی متمرکز بود. پارامترهای کلیدی مانند دامنه فشار، سرعت جریان حجمی، امپدانس صوتی و اختلاف دمای شروع به طور سیستماتیک مورد مطالعه قرار گرفتند. [۸]. یافته ها نشان داد که این پارامترها به طور قابل توجهی تحت تأثیر روش ورودی انرژی حرارتی از منابع توزیع گرما قرار گرفتند. این تأثیر به نوبه خود منجر به افزایش قابل توجه در خروجی توان صوتی و الکتریکی شد. به طور خلاصه، این محققان بر تعامل پیچیده بین منابع توزیع گرما و عملکرد موتورهای ترموآکوستیک روشن می‌کنند و بر پتانسیل افزایش تبدیل انرژی از طریق بررسی دقیق روش‌های ورودی تأکید می‌کنند. [۸].

در سال ۲۰۱۷، بی و همکاران. [۹] پیشگام توسعه یک ژنراتور الکتریکی ترموآکوستیک موج سفر جدید بود که شامل یک موتور حرارتی حرارتی صوتی موج سفر چند مرحله ای مجهز به دینام های خطی است. موتورهای نمونه اولیه آنها توسط لوله‌های تشدید باریک به هم مرتبط شده‌اند که یک عنصر طراحی حیاتی برای تولید یک موج سفر کارآمد در احیاکننده است. [۹]. در انتهای هر یک از این لوله های تشدید باریک، یک دینام به عنوان یک بای پس یکپارچه شده بود. از طریق آزمایش دقیق نمونه اولیه، آنها به نتایج چشمگیری دست یافتند: حداکثر توان الکتریکی خروجی ۴٫۶۹ کیلووات، همراه با راندمان حرارتی به الکتریکی ۱۵٫۶%. علاوه بر این، آنها به حداکثر راندمان حرارتی به الکتریکی ۱۸٫۴٪ رسیدند و توان الکتریکی خروجی ۳٫۴۶ کیلووات تولید کردند که همگی زیر ۶ مگاپاسکال هلیوم تحت فشار هستند. [۹]. شایان ذکر است که آنها دمای سرمایش و گرمایش را به ترتیب در ۲۵ درجه سانتیگراد و ۶۵۰ درجه سانتیگراد حفظ کردند.

وو و همکاران [۱۰] یک ژنراتور الکتریکی ترموآکوستیک موج سیار ۱ کیلوواتی را طراحی و بررسی کرد. این محققان در آزمایشات اولیه خود به توان الکتریکی اولیه ۶۳۸ وات در فرکانس ۷۴ هرتز دست یافتند. از طریق تجزیه و تحلیل دقیق، آنها از یک رابطه جفت کننده امپدانس صوتی مهم بین دینام و موتور با استفاده از یک رویکرد عددی پرده برداری کردند. آنها با استفاده از بینش عددی خود، فرکانس عملیاتی را در آزمایش‌های خود با موفقیت از ۷۴ هرتز به ۶۴ هرتز کاهش دادند و کسری ۴٫۵ درصدی از گاز آرگون را به سیستم وارد کردند. این تنظیم منجر به بهبود قابل توجهی شد که منجر به تولید حداکثر توان الکتریکی ۱۰۴۳ وات با راندمان حرارتی به الکتریکی ۱۷٫۷٪ شد. علاوه بر این، آنها به حداکثر راندمان حرارتی به الکتریکی ۱۹٫۸٪ رسیدند و توان الکتریکی ۹۷۰ وات را تولید کردند.

وو و همکاران [۱۱] یک مولد برق حرارتی-آکوستیک موج سیار با انرژی خورشیدی طراحی و ساخت. این سیستم نوآورانه شامل یک ظرف خورشیدی برای تمرکز نور خورشید، همراه با یک گیرنده حرارتی نوع بویلر استخر برای انتقال موثر انرژی خورشیدی به موتور است. در راه‌اندازی آزمایشی خود، از بخاری‌های کارتریجی برای تأمین انرژی گرمایشی لازم استفاده شد. از طریق تلاش های خود، آنها به نتایج قابل توجهی دست یافتند: حداکثر توان الکتریکی خروجی ۴۸۱ وات و حداکثر راندمان حرارتی به الکتریکی ۱۵ درصد که تحت فشار ۳٫۵ مگاپاسکال هلیوم تحت فشار در فرکانس ۷۴ هرتز کار می کند. در آزمایشات خود با انرژی خورشیدی، آنها به حداکثر توان خروجی برق تقریباً ۲۰۰ وات دست یافتند.

الرواشده و همکاران. [۱۲] تاثیر طراحی مبدل حرارتی بر نرخ انتقال حرارت و توزیع دما را بررسی کرد. آنها بر روی مبدل‌های حرارتی موازی و ضد جریان تمرکز کردند و دریافتند که افزایش طول به دلیل افزایش سطح و زمان طولانی‌تر تبادل حرارت، کارایی را بهبود می‌بخشد. مبدل های حرارتی ضد جریان راندمان بالاتری را نشان دادند که به اختلاف دمای بیشتر بین انتها نسبت به جریان موازی نسبت داده شد. تغییر شرایط طراحی مبدل حرارتی بر راندمان تأثیر مثبت گذاشت. در مطالعه ای توسط حمود و همکاران. [۱۳]تولید افزودنی برای مبدل های حرارتی برای جریان نوسانی در فشار بالا اعمال شد. تولید افزودنی در غلبه بر چالش‌های تولید سودمند بود و نتایج تجربی نشان‌دهنده دوام آن نسبت به روش‌های مرسوم بود. مبدل‌های حرارتی ساخته شده از آلومینیوم از نظر عملکرد حرارتی بهتر از مبدل‌های ساخته شده از فولاد ضد زنگ عمل می‌کنند، که تولید افزودنی را به عنوان یک تکنیک معتبر برای مبدل‌های حرارتی جریان نوسانی تأیید می‌کند.

راسل و همکاران [۱۴] تاثیر طول پشته بر عملکرد یک ژنراتور ترموآکوستیک با استفاده از DeltaEC را بررسی کرد. یافته‌های آن‌ها نشان می‌دهد که طول‌های متوسط ​​متخلخل بیشتر منجر به افت دما و افزایش راندمان ژنراتور می‌شود. مک گاگی و همکاران [۱۵] یک موتور ترموآکوستیک موج سفر تک مرحله ای طراحی کرد که به حداکثر بازده ۷٫۸ درصدی مربوط به ۱۴ درصد راندمان کارنو دست یافت. شبیه سازی با داده های تجربی مطابقت نزدیکی داشت. شیائو و همکاران [۱۶] بررسی‌های قیاس صوتی-الکتریکی را بر روی یک ژنراتور برقی حرارتی-آکوستیک موج سیار ۴ مرحله‌ای انجام داد. مطالعه آنها اثرات غیرخطی را در نظر گرفت و به توافق بین نتایج تجربی و شبیه سازی شده دست یافت. آنها تأثیر مقاومت الکتریکی و دمای گرمایش را برجسته کردند.

ادغام تکنیک‌های هوش مصنوعی (AI) در تحقیقات مربوط به سیستم‌های ترموآکوستیک توجه قابل توجهی را به خود جلب کرده است. این رویکرد مبتنی بر هوش مصنوعی کاربردهای گسترده‌ای در بخش‌های مختلف صنعتی، چالش‌های انرژی‌های تجدیدپذیر و رشته‌های مهندسی پیدا کرده است. ماچسا و همکاران [۱۷] یک مطالعه جامع بر روی یک یخچال ترموآکوستیک با استفاده از تکنیک‌های هوش مصنوعی (AI) انجام داد. آنها از روش‌های مختلفی استفاده کردند، از جمله یک سیستم استنتاج عصبی فازی تطبیقی ​​(ANFIS)، یک شبکه عصبی مصنوعی (ANN) که با استفاده از بهینه‌سازی ازدحام ذرات (ANN-PSO) آموزش دیده است، و یک شبکه عصبی مصنوعی مستقل برای پیش‌بینی ضریب انتقال حرارت نوسانی در داخل. مبدل های حرارتی سیستم ترموآکوستیک معیارهای ارزیابی آنها شامل معیارهایی مانند میانگین مربع خطا (MSE) و تجزیه و تحلیل رگرسیون برای سنجش عملکرد و دقت مدل ها بود. [۱۷]. یافته‌های آن‌ها نشان می‌دهد که پیش‌بینی ضریب انتقال حرارت نوسانی نویدبخش افزایش عملکرد سیستم‌های تبرید ترموآکوستیک است. همچنین طغیانی و همکاران. [۱۸] یک الگوریتم رقابتی امپریالیستی و یک رویکرد ترکیبی ANN-PSO را برای بررسی همبستگی‌های غیرخطی بین متغیرهای ورودی تجربی مانند دمای محیط کار، سرعت جریان جرم سوخت، سرعت و پارامترهای خروجی، یعنی توان و گشتاور معرفی کرد. نتایج ارائه شده توسط این محققان نشان داد که روش ترکیبی ANN-PSO بهتر از ترکیب ANN-ICA عمل می کند. علاوه بر این، طغیانی و همکاران. [۱۸] شناسایی شاخص های کلیدی عملکرد، یعنی گشتاور و توان خروجی، برای ارزیابی موتورهای استرلینگ. دوان و همکاران [۱۹] یک مطالعه بهینه‌سازی چند هدفه را با استفاده از بهینه‌سازی ازدحام ذرات (PSO) برای افزایش بازده حرارتی، توان خروجی و به حداقل رساندن پارامترهای برگشت‌ناپذیری چرخه انجام داد. تلاش آنها منجر به افزایش قابل توجه ۱۵ درصدی در توان خروجی شد.

رحمان و همکاران [۲۰] از یک تکنیک ANN برای پیش بینی تفاوت دما در پشته ترموآکوستیک استفاده کرد. مدل ANN دقت بالایی را با میانگین درصد خطای ۰٫۲ درصد در مقایسه با مقادیر تجربی نشان داد که نشان دهنده کارایی آن برای حل مسائل پیچیده ترموآکوستیک است. Wildemans و همکاران [۲۱] دینامیک غیرخطی حالت‌های حرارتی آکوستیک ذاتی را از طریق تجزیه و تحلیل انشعاب تجربی بررسی کرد. آنها بر اهمیت درک دینامیک شعله خود برانگیخته برای مدل‌سازی غیرخطی دقیق و استراتژی‌های کنترل مؤثر تأکید کردند. علامیر [۲۲] دمای خنک کننده و عملکرد یک یخچال ترموآکوستیک موج ایستاده را با موفقیت پیش بینی کرد. نتایج او اثربخشی شبکه‌های عصبی مصنوعی (ANN) را نشان داد که به سطح بالایی از پیش‌بینی‌پذیری دست می‌یابد. ${\mathrm{آر}}^{\mathrm{۲}}$ مقدار ۰٫۹ متعاقباً، او از بینش های به دست آمده از مدل خود برای بررسی دقیق پارامترهای محوری مؤثر بر عملکرد یخچال ترموآکوستیک استفاده کرد. [۲۲]. ماچسا و همکاران [۲۳] پرداختن به غیرخطی بودن در سیستم های موتور استرلینگ با استفاده از تکنیک های محاسبات نرم مطالعه آن ها مدل های فازی ممدانی، ANN، ANFIS و ANN-PSO را با هم مقایسه کرد که در پیش بینی توان، فازی ممدانی و ANN-PSO و ANFIS در پیش بینی گشتاور پیشتاز بودند. میز ۱ یک نمای کلی از نقاط قوت و ضعف مرتبط با مدل های ANN، ANFIS و ANN-PSO ارائه می دهد.

در حالی که پیشرفت قابل‌توجهی در پیشرفت سیستم‌های ترموآکوستیک کارآمد و استفاده از شبیه‌سازی‌های عددی برای پیش‌بینی عملکرد حاصل شده است، چالش مداوم در پرداختن به غیرخطی بودن ذاتی در عملکرد این دستگاه‌ها نهفته است. [۲۳]. غیرخطی بودن در سیستم های ترموآکوستیک به تناسب غیرخطی روابط بین پارامترهای فیزیکی مختلف مانند فشار، دما و سرعت مربوط می شود. این پیچیدگی، فرمول بندی مدل های ریاضی را چالش برانگیز می کند. علاوه بر این، ماهیت وابسته به دما خواص محیطی مانند چگالی، سرعت صوت و رسانایی حرارتی، غیرخطی‌های بیشتری را معرفی می‌کند، زیرا تغییرات دما منجر به تغییرات متناظر در این ویژگی‌ها می‌شود و متعاقباً بر رفتار امواج صوتی تأثیر می‌گذارد. درک و کمی کردن این غیرخطی‌ها برای مدل‌سازی و کنترل دقیق سیستم‌های ترموآکوستیک بسیار مهم است. چنین درک می‌تواند منجر به پدیده‌هایی مانند هیسترزیس، چرخه‌های محدود و رفتار آشفته شود، که همگی پیامدهای عملی قابل‌توجهی در حوزه‌هایی مانند موتورهای احتراقی، تبرید ترموآکوستیک و سایر سیستم‌های گرما محور دارند. این مطالعه با توسعه مدل‌های یادگیری ماشینی که قادر به پیش‌بینی پیکربندی‌هایی هستند که به‌صراحت در طول تحقیقات تجربی اندازه‌گیری نشده‌اند، کمک قابل‌توجهی به مدل‌سازی سیستم‌های ترموآکوستیک موج سفر می‌کند. این نه تنها فرآیند آزمایشی را ساده می‌کند و مصرف زمان را کاهش می‌دهد، بلکه یک رویکرد مدل‌سازی جایگزین را برای جامعه تحقیقاتی ترموآکوستیک ارائه می‌کند.