İki Kademeli Ekonomizerli Buhar Sıkıştırmalı Soğutma Sisteminin Fuzzy Lojik ve Genetik Algoritma İle Optimizasyonu

Transkript

1 6 th International Advanced Technologies Symposium (IATS 11), May 2011, Elazığ, Turkey İki Kademeli Ekonomizerli Buhar Sıkıştırmalı Soğutma Sisteminin Fuzzy Lojik ve Genetik Algoritma İle Optimizasyonu B. Kılıç 1,U. Kılıç 2 1 Mehmet Akif Ersoy Üniversitesi, Burdur/Turkey, bayramkilic@mehmetakif.edu.tr 2 Mehmet Akif Ersoy Üniversitesi, Burdur/Turkey, ulaskilic@mehmetakif.edu.tr Optimisation Of Vapor-compression Refrigeration System With Two-stage And Economiser Using Fuzzy Logic And Genetic Algorithms Abstract In this study, two-stage process with economiser vapor-compression system have been made optimization using genetic algorithms and fuzzy logic. The necessary thermodynamic values for optimization were calculated by fuzzylogic. intermediate values obtained with Fuzzylogic were compared with solkane program. At the end of study, the optimum working conditions of systems is determined by the genetic algorithm. Keywords Two-stage process, economiser, optimization, genetic algorithm, fuzzylogic, B I. GİRİŞ uhar sıkıştırmalı bir soğutma sisteminde düşük sıcaklıktaki bir ortamdan çekilen ısı daha yüksek sıcaklıktaki bir ortama atılır. Bu işlemin gerçekleşebilmesi için sistemde soğutucu akışkan dolaştırılırken dışarıdan iş verilir. Bu süreç sırasında soğutucu akışkan bir takım işlemlere tabi tutularak faz değiştirir. Tüm bu işlemler serisi çevrim olarak bilinir [1]. Yoğuşma sıcaklıklarının fazla yüksek olmadığı buhar sıkıştırmalı soğutma çevrimlerinde tek kademeli sıkıştırma işlemi -20 o C ye kadar olan evaporasyon sıcaklıklarında oldukça tatmin edici sonuçlar vererek çalışabilmektedir. Ancak çok düşük evaporasyon sıcaklıklarındaki çalışma şartlarında soğutma çevriminin kapasitesi ile birlikte performans katsayısı da hızla düşme durumundadır. Bunun sebeplerinden birisi de düşük emme basıncı ile başlayan sıkıştırma işleminin aynı çıkış yoğuşma basıncına ulaşabilmek üzere daha yüksek bir sıkıştırma oranı ile çalışmayı gerektirmesidir. Kaldı ki bu yüksek sıkıştırma oranı sonucu çıkış basıncı ve sıcaklığı daha da yükselme eğilimindedir. Bu nedenlerle çok düşük evaporasyon sıcaklıkları gerektiğinde aşırı kompresör çıkış basınç ve sıcaklıklarını önlemek ve aynı zamanda da daha verimli çalışma şarchtları sağlamak üzere kademeli sıkıştırma işlemlerine başvurulmaktadır. Kademeli sıkıştırma genellikle iki seri kompresyon ile ve bazen de gerektiğinde üç ve daha fazla seri kompresyonla sağlanmaktadır. Sistemde dolaşan ve sıkıştırılıp genişletilen soğutucu akışkan tek cins ve aynıdır. İki kademeli ekonomizerli buhar sıkıştırmalı soğutma sistemi daha çok halokarbon türü soğutkanlar için uygun olup amonyaklı sistemlere uygulanmamaktadır. Yüksek basınçlı sıvılaşmış soğutkanın bir bölümü bir genleşme valfi ile ara soğutucu içine yerleştirilmiş olan boru serpantininden geçirilirken, yüksek basınçlı sıvının geri kalan bölümü soğutulup evaporatördeki ana-esas genleşme valfine gönderilir. Ara soğutucudan çıkan kısmen buharlaşmış alçak basınçlı soğutkan ise kompresörleri birbirine bağlayan ara basınçlı ve kızgın buhar haldeki soğutkan borusuna verilmek ve ikinci kademe kompresör emişinde sıcaklığı ara soğutucu genleşme valfinin kulpu (bulb) ile izlenmek suretiyle kızgınlığın alınması(desuper heating) işlemi yapılmış olmaktadır [2,7,10-12]. Şekil 1: Sistemin şematik gösterimi. 25

2 B.Kılıç, U. Kılıç Şekil 2: Sistemin basınç-entalpi (P-h) diyagramı [8]. a) Seçme: Hedef fonksiyondaki uygunluk değerine göre populasyondan seçilen bireyler çaprazlama için eşleşme havuzuna atılırlar. b) Çaprazlama: Eşleşme havuzundan seçilen bireyler kendi aralarında çaprazlama oranı kadar çocuk birey oluşturmak üzere çaprazlanırlar. c) Mutasyon: Popülasyon içerisinden seçilen birey veya bireylerin herhangi bir kromozomu sıfırlanarak yerine yeni bir değer atanır. d) Kabul: İlk popülasyon, çocuklar, mutasyonlu bireyler yeni bir populasyon meydana getirirler. 4. Değiştirme: Oluşan yeni popülasyon uygunluk değerlerine göre sıralanır ve popülasyon birey sayısı kadarı yeni başlangıç popülasyonu olarak atanır. 5. Test: Programı bitirme şartı gerçekleşiyorsa program durdurulur. 6. Döngü: Aksi takdirde program 2. adıma geri döner. Şekil 3: Sistemin sıcaklık-entropi (T-s) diyagramı. II. OPTİMİZASYON METODU A. Genetik algoritma Genetik Algoritmalar (GA) stokastik bir arama yöntemidir. Darwin'in "en iyi olan yaşar (survival of the fittest)" prensibine dayalı olarak biyolojik sistemlerin gelişim sürecini simule eden GA, ilk defa Holland (1975) tarafından önerilmiştir. Sezgisel bir metot olan GA, problem için optimum sonucu bulamayabilir, ancak bilinen metotlar ile çözüm zamanı problemin büyüklüğü ile üstel artan problemlerde optimal çözüme çok yakın çözümler vermektedir. Başlangıçta doğrusal olmayan (non-linear) optimizasyon problemlerine uygulanan GA, sonraları gezgin satıcı, karesel atama, yerleşim, atölye çizelgeleme, ders/sınav programı hazırlanması gibi birleşik optimizasyon problemlerine de başarıyla uygulanmıştır [3,5]. Genetik algoritma prosedürü aşağıdaki gibidir; 1. Başlat: Problemin çözümü için n kromozomlu (değişken sayısı) m adet birey rasgele üretilerek başlangıç popülasyonu oluşturulur veyahut başlangıç popülasyonu belirli bireylerden de oluşturulabilir. 2. Uygunluk (Fitness): Populasyondaki her bir birey için f x hedef fonksiyonu hesaplanır. 3. Yeni populasyon: Yeni bir populasyon oluşuncaya kadar aşağıdaki adımlar tekrar edilir: B. Fuzzy lojik Şekil 4: Genetik Algoritma Akış Diyagramı [4]. Bulanık mantık (Fuzzy Logic), belirsizliklerin anlatımı ve belirsizliklerle çalışılabilmesi için kurulmuş katı bir matematik düzen olarak tanımlanabilir. Bilindiği gibi istatistikte ve olasılık kuramında, belirsizliklerle değil kesinliklerle çalışılır ama insanın yaşadığı ortam daha çok belirsizliklerle doludur. Bu yüzden insanoğlunun sonuç çıkarabilme yeteneğini anlayabilmek için belirsizliklerle çalışmak gereklidir. Bulanık mantık ile klasik mantık (aristo mantığı) arasındaki temel fark klasik mantığın önermelerin sadece aşırı uç değerleri kullanmasıdır. Aristo mantığında bilindiği gibi bir şey ya A kümesinin elemanıdır ya da değildir. Başka bir deyişle ya siyah ya da beyazdır. Gerçek dünyada ise tam siyah veya tam beyazı bulamazsınız. Bulanık mantık ise gerçek hayata uygun olarak hemen hemen tamamıyla grilerle çalışır. Çok uç durumlarda siyah veya beyaz vardır. Klasik mantık yöntemleriyle karmaşık sistemleri modellemek ve kontrol etmek işte bu yüzden zordur, çünkü veriler tam ve net olmalıdır. Bulanık mantık kişiyi bu zorunluluktan kurtarır ve daha niteliksel bir tanımlama olanağı 26

3 İki Kademeli Ekonomizerli Buhar Sıkıştırmalı Soğutma Sisteminin Fuzzy sağlar. Bir kişi için 38,5 yaşında demektense sadece orta yaşlı demek birçok uygulama için yeterli bir veridir. Böylece azımsanamayacak ölçüde bir bilgi indirgenmesi söz konusu olacak ve matematiksel bir tanımlama yerine daha kolay anlaşılabilen niteliksel bir tanımlama yapılabilecektir. Bulanık mantık fotoğraf makineleri, çamaşır makineleri, klimalar ve otomatik iletim hatları gibi uygulamalarda kullanılmaktadır. Bundan başka uzay araştırmaları ve havacılık endüstrisinde de kullanılmaktadır. entalpisi seçilmiştir. Fuzzy logic tarafından kullanılan metod ve birim değerlerleri aşağıda verilmiştir. Şekil 6: Fuzzy Lojik Giriş-Çıkış Değerleri. Bulanık mantık içerisinde and method, or method, implication, aggregation ve defuzzification olarak sırasıyla min, max, min, max, centroid kullanılmıştır. Mamdani metodu uygulanmıştır. Şekil 5: Fuzzy Lojik in Temel Akış Şeması [6]. Bir fuzzy lojik modeli bulanıklaştırıcı, bulanık çıkarım birimi, bulanık kural tabanı ve berraklaştırıcı olmak üzere dört bileşenden oluşur (Şekil 5). Bulanıklaştırıcıda girilen değerler, giriş dilsel değerleri ile ilişkili olarak dilsel değerlere doğru bulanıklaşır. Bulanıklaştırmadan sonra bulanık çıkarım birimi, bulanık kural tabanını içeren IF-THEN kurallarını türeterek ara değerleri ve çıkış değerlerini elde eder. Berraklaştırıcı çıkış değerlerinden sonuç değerlerini üretir ve bu değerler kullanılabilir değerlerdir [9,13-15]. Şekil 7: Üyelik Fonksiyonu (Evaporatör sıcaklığı için). Bulanık mantık içerisindeki tüm değişkenlerin uygunluk fonksiyonu trimf olarak seçilmiştir. III. SONUÇ VE TARTIŞMA Bu çalışmada, iki kademeli ekonomizerli buhar sıkıştırmalı soğutma sisteminin optimizasyonu genetik algoritma ve bulanık mantık kullanılarak yapılmıştır. Optimizasyon için gerekli termodinamik değerler fuzzylogic ile hesaplanmıştır. karşılaştırılmıştır. Çalışma sonunda sisteminin optimum çalışma şartları genetik algoritma tarafından belirlenmiştir. Optimizasyon için gerekli termodinamik değerler solkane programı tarafından belirlendikten sonra ara değerler fuzzy logic ile hesaplanmıştır. Fuzzy Logic giriş değişkeni olarak evaporatör ve kondenser sıcaklıkları, çıkış değişkenleri olarak ise evaporatör giriş-çıkış entalpisi ve kompresör giriş-çıkış Şekil 8: Üyelik Fonksiyonu (Kondenser sıcaklığı için). Tasarlanmış olan bulanık mantık içerisinde 30 adet kural kullanılmıştır. Kuralların bir kısmı Şekil 9. da gösterilmiştir. 27

4 B.Kılıç, U. Kılıç Genetik algoritma içerisindeki bireylerin sayıları, iterasyon sayısı ve süresi Tablo 2. de verilmiştir. Tablo 2: Genetik algoritma özellikleri. Başlangıç Çocuk Mutasyonlu İterasyon Süre popülâsyonu sayısı çocuk sayısı sayısı (sn) Şekil 9: Fuzzy Lojik Kuralları karşılaştırılmıştır. Hata değerlerinin hesaplanmasında Ortalama Karesel Hata (OKH) metodu kullanılmıştır. Hata oranı hesaplamasında ara değer olarak evaporatör sıcaklığı -12.5, -7.5, -2.5, 2.5 oc, kondenser sıcaklığı ise 27.5 oc seçilmiştir. Termodinamik değerlerin Fuzzylogic ile hesaplanmasında kompresör I çıkış entalpisi (h2) değeri için %0.77, kompresör II giriş entalpisi (h3) değeri için %0.54, kompresör II çıkış entalpisi (h4) değeri için %3.16, evaporator giriş entalpisi (h10) değeri için %2.11, evaporator çıkış entalpisi (h1) değeri için %2.73 ortalama karesel hata değerleri elde edilmiştir. Fuzzy Logic tarafından bulunan ara değerlerin Solkane programından alınan değerlerle karşılaştırlmasına örnek olması amacıyla kompresör I çıkış entalpisi (h2) değeri Şekil. 10 da grafik olarak verilmiştir. Yapılan çalışmada, ısı pompası sisteminin optimum çalışma şartları o C evaporatör sıcaklığı, o C kondenser sıcaklığı, COP ısıtma ve COP soğutma değeri olarak belirlenmiştir. Genetik algoritma bu sonuca 50 iterasyon sonucunda ulaşmıştır. İterasyon sayısı ve COP değeri Şekil 11. de gösterilmiştir. Şekil 11: İterasyon Sayısına Bağlı COP Değerleri. Benzer şekilde, optimizasyon sonucundaki evaporatör sıcaklığı, konderser sıcaklığı ve iterasyon sayısı Şekil 12. de verilmiştir. Şekil 10: Kompresör çıkış entalpi değerlerinin karşılaştırılması. Evaporatör ve kondenser sıcaklıkları genetik algoritma içerisinde durum değişkeni olarak alınmıştır. Bu değişkenlerin sınır değerleri Tablo 1. de gösterilmiştir. Tablo 1: Sistemin sıcaklık değerleri. Min. Max. Evaporatör Sıcaklığı ( o C) Kondenser Sıcaklığı ( o C) Şekil 12: İterasyon Sayısına Bağlı Sıcaklık Değerleri. IV. SONUÇ Bu çalışmada, iki kademeli ekonomizerli buhar sıkıştırmalı soğutma sisteminin optimizasyonu genetik algoritma ve bulanık mantık kullanılarak yapılmıştır. Optimizasyon için 28

5 İki Kademeli Ekonomizerli Buhar Sıkıştırmalı Soğutma Sisteminin Fuzzy gerekli termodinamik değerler fuzzylogic ile hesaplanmıştır. karşılaştırılmıştır. Çalışma sonunda sisteminin optimum çalışma şartları genetik algoritma tarafından belirlenmiştir. Yapılan çalışmanın sonucunda, iki kademeli ekonomizerli buhar sıkıştırmalı soğutma sisteminin optimum çalışma şartları o C evaporatör sıcaklığı, o C kondenser sıcaklığı, COP ısıtma ve COP soğutma değeri olarak belirlenmiştir. Genetik algoritma bu sonuca 50 iterasyon ve saniye sonunda ulaşmıştır. KAYNAKLAR [1] S. Sincar, R134a Soğutucu akışkan ile çalışan ticari soğutucu tasarımı, imalatı ve performans deneyleri, Yüksek Lisans Tezi, Niğde Üniversitesi, Fen Bilimleri Enstitüsü, [2] A.Y. Cengel, A.M. Boles, Thermodynamics: An Engineering Approach, McGraw-Hill, New York, A.B.D., [3] J. Holland, Adapation in Natural And Artifical Systems, University Of Michigan Press, Ann Arbor, Usa, [4] U. Kılıç, Memetic Optimizasyon ile Genis Band Mikrodalga Kuvvetlendirici Tasarımı, S.D.Ü. Fen Bilimleri Enstitüsü, [5] D. Chakraborty, C.P Sharma, B. Das, K. Abhishek, T. Malakar, Distribution System Load Flow Solution Using Genetic Algorithm, ICPS 09 International Conference on power systems, 2009, pp. 1-6, [6] M. S. Stachowicz, M. E. Kochanska, Analysis of the application of fuzzy relations in modeling, Proc. North American Fuzzy Information Society 86, New Orleans, [7] [8] Solkane Software. < [9] MATLAB Fuzzy Logic Toolbox 2 User s Guide, The MathWorks, Inc., [10] R. Yamankaradeniz, İ. Hruz, S. Coşkun, Soğutma Tekniği ve Uygulamaları, VİPAŞ A.Ş., 608s, [11] H. Dingeç, Thermoeconomic Optimization of Simple Refrigerators, M.E.T.U. The Graduate School of Natural and Applied Sciences, Master Thesis, 89s, Ankara, [12] cfm/mytopic=12610 [13] S. Kucukali, K. Baris, Turkey s short-term gross annual electricity demand forecast by fuzzy logic approach, Energy Policy 38, , [14] J.O. Jaber, R. Mamlook, W. Awad, Evaluation of energy conservation programs in residential sector using fuzzy logic methodology, Energy Policy 33, , [15] Ross TJ. Fuzzy Logic with Engineering Applications. Wiley: U.S.A.,