Partager

Document IIF

Prévision du coefficient de transfert de chaleur lors du refroidissement du CO2 supercritique avec une petite quantité d'huile lubrifiante entraînée, à l'aide d'une méthode fondée sur un réseau.

Predicting the cooling heat transfer coefficient of supercritical CO2 with a small amount of entrained lubricating oil by using the neural network method.

Auteurs : DANG C., HIHARA E.

Type d'article : Article, Article de la RIF

Résumé

A neural network method is presented to construct a semi-empirical prediction model of the heat transfer performance of supercritical carbon dioxide with a small amount of entrained PAG-type lubricating oil. The proposed approach involves a feedforward three-layer neural network, with the tube diameter, Prandtl number, Reynolds number, heat flux, thermal conductivity, and oil concentration as the input parameters, and the heat transfer coefficient as the output parameter. The experimental data used to construct the neural network correspond to a large number of experimental conditions, with the following variations: tube diameter from 1 to 6 mm, oil concentration from 0 to 5%, pressure from 8 to 10 MPa, mass flux from 200 to 1200 kg/m2 s, and heat flux from 12 to 24 kW/m2. The proposed model is found to agree well with the experimental results, with a deviation of ±20% for 87.3% of the valid data.

Documents disponibles

Format PDF

Pages : 1130-1138

Disponible

  • Prix public

    20 €

  • Prix membre*

    Gratuit

* meilleur tarif applicable selon le type d'adhésion (voir le détail des avantages des adhésions individuelles et collectives)

Détails

  • Titre original : Predicting the cooling heat transfer coefficient of supercritical CO2 with a small amount of entrained lubricating oil by using the neural network method.
  • Identifiant de la fiche : 30004208
  • Langues : Anglais
  • Source : International Journal of Refrigeration - Revue Internationale du Froid - vol. 35 - n. 4
  • Date d'édition : 06/2012

Liens


Voir d'autres articles du même numéro (45)
Voir la source

Indexation