R290, R600a ve R404A gazlarının buhar sıkıştırmalı soğutma sistemindeki performanslarının deneysel ve makine öğrenmesi yöntemleri ile incelenmesi

Bu tez çalışmasında, mekanik buhar sıkıştırmalı soğutma sisteminde R290, R600a ve R404A soğutucu akışkanlarının termodinamik performansı -9°C, -6°C ve -3°C buharlaştırıcı ve 25°C, 30°C ve 35°C yoğuşturucu sıcaklıkları altında deneysel olarak karşılaştırılmıştır. Ayrıca çeşitli regresyon ve yapay zekâ yöntemleri kullanılarak soğutucu gazların deneylerde gösterdikleri performans tahmin edilmiştir. R290, soğutma tesir katsayısında R600a'ya kıyasla %23,77, R404A kıyasla ise %30,77 artış sağlamıştır. İkinci yasa veriminde ise R290 gazı kullanılarak R600a ve R404A ile karşılaştırıldığında sırasıyla %20,99 ve %33,33 artış tespit edilmiştir. Sistemde en yüksek kompresör güç tüketimine ise R404A gazı neden olmuştur. Ek olarak Pace regresyon yöntemi ile oluşturulan denklemlerin Elastic Net yöntemi ile türetilen denklemlere göre daha az hata ile deneysel sonuçları modelleyebildiği gösterilmiştir. Ortalama mutlak hata değeri, Pace yöntemi kullanılarak soğutma tesir katsayısı, ikinci yasa verimi ve toplam ekserji yıkımı için sırasıyla 0,0993, 0,0159 ve 0,0066 olmuştur. Ayrıca çok katmanlı algılayıcı, destek vektör makinası ve karar ağacı makine öğrenmesi yöntemleri arasından en iyi tahmin performansına destek vektör makinası ile ulaşıldığı belirlenmiştir. Bu yöntem ile soğutma tesir katsayısı ve ikinci yasa verimi tahmininde test seti için ortalama mutlak hata değeri sırasıyla 0,0317 ve 0,0063 olarak hesaplanmıştır.

In this thesis study, thermodynamic performance of R290, R600a and R404A refrigerants were experimentally compared in a mechanical vapor compression refrigeration system under -9°C, -6°C and -3°C evaporator and 25°C, 30°C and 35°C condenser temperatures. In addition, the performance of the refrigerants in the experiments was estimated using various regression and artificial intelligence methods. R290 caused an increase in coefficient of performance by 23.77% compared to R600a and by 30.77% compared to R404A. In the second law efficiency, an increase of 20.99% and 33.33% was determined using R290 compared to R600a and R404A, respectively. R404A gas caused the highest compressor power consumption in the system. In addition, it has been shown that the equations created by the Pace regression method can model the experimental results with less error than the equations derived by the Elastic Net method. The mean absolute error value was 0.0993, 0.0159 and 0.0066 for coefficient of performance, second law efficiency and total exergy destruction, respectively, using the Pace method. In addition, it was determined that the best prediction performance was achieved with the support vector machine among the multilayer perceptron, support vector machine and decision tree machine learning methods. With this method, the mean absolute error value for the test set was calculated as 0.0317 and 0.0063 in the prediction of the coefficient of performance and the second law efficiency, respectively.