بهینه سازی چند هدفه ترمو-اقتصادی میکروتوربین گازی با استفاده از شبکه عصبی نوع GMDH و الگوریتم تکاملی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 بهینه سازی چند هدفه ترمو-اقتصادی میکروتوربین گازی با استفاده از شبکه عصبی نوع GMDH و الگوریتم تکاملی دارای ۲۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بهینه سازی چند هدفه ترمو-اقتصادی میکروتوربین گازی با استفاده از شبکه عصبی نوع GMDH و الگوریتم تکاملی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی بهینه سازی چند هدفه ترمو-اقتصادی میکروتوربین گازی با استفاده از شبکه عصبی نوع GMDH و الگوریتم تکاملی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بهینه سازی چند هدفه ترمو-اقتصادی میکروتوربین گازی با استفاده از شبکه عصبی نوع GMDH و الگوریتم تکاملی :

تعداد صفحات :۲۰

چکیده مقاله:

میکروتوربین های گازی از جمله فناوری های نوین تولید پراکنده می باشد که در سال های اخیر مورد توجه بسیار بوده است.هدف مقاله حاضر در وهله اول، مد ل سازی ترمودینامیکی یک سیستم میکروتوربین گازی تک شفتی با رکوپراتور می باشد. ازتحلیل انرژی و اگزرژی به عنوان یک ابزار توانمند در تعیین عملکرد میکروتوربین گازی، بهره گرفته شده است. اعمال معادلاتاقتصادی زمانی میسر است که تمامی مشخصات ترمودینامیکی سیکل، از مدل سازی ترمودینامیکی تعیین شده باشد. لذا پس ازتحلیل کامل انرژی و اگزرژی، هزینه تجهیزات و سوخت مصرفی میکروتوربین با استفاده از معادلات اقتصادی تعیین شده است.همچنین هزینه تخریب اگزرژی به عنوان یک پارامتر موثر در عملکرد سیکل، با استفاده از تحلیل اگزرژی بدست آمده است. بااستفاده از هزینه سوخت و تجهیزات و همچنین هزینه تخریب اگزرژی، تابع هدف هزینه استخراج شده است. تابع هدف دیگردر این مقاله، راندمان قانون دوم سیکل در نظر گرفته شده است. ابتدا به منظور مشخص کردن اثر متغیر های اصلی طراحی برتوابع هدف، مطالعه پارامتری انجام گرفته است سپس به منظور بهینه سازی با توجه به اینکه مقادیر به دست آمده از مدل سازی سیکل، به صورت پیوسته نبوده است، با استفاده از شبکه عصبی نوع GMDH که یکی از پرکاربردترین شبکه های عصبی است و ا ز توانایی بالایی در مدل سازی داده های پیچیده برخوردار است، توابع هدف مورد نظر تخمین زده شد و سپس بهینه سازی همزمان توابع هدف انجام شده است. مشاهده شد بیشترین راندمان اگزرژی، % ۴۴ و کمترین هزینه کل ۳۶ دلار درهر ساعت می باشد