Prediction of Performance and Geometrical Parameters of Single-Phase Ejectors Using Artificial Neural Networks
Notice bibliographique
Résumé
Ejectors have gained renewed interest in the last decades, especially in heat-driven refrigeration systems, to reduce the load of the compressor. Their performance is usually influenced by many factors, including the working fluid, operating conditions and basic geometrical parameters. Determining the relationships between these factors and accurately predicting ejector performance over a wide range of conditions remain challenging. The objective of this study is to develop fast and efficient models for the design and operation of ejectors using artificial neural networks. To this end, two models are built. The first one predicts the entrainment and limiting compression ratio given 12 input parameters, including the operating conditions and geometry. The second model predicts the optimal geometry given the desired performance and operating conditions. An experimental database of ejectors using five working fluids (R134a, R245fa, R141b, and R1234ze(E), R1233zd(E)) has been built for training and validation. The accuracy of the ANN models is assessed in terms of the linear coefficient of correlation (R) and the mean squared error (MSE). The obtained results after training for both cases show a maximum MSE of less than 10% and a regression coefficient (R) of, respectively, 0.99 and 0.96 when tested on new data. The two models have then a good generalization capacity and can be used for design purposes of future refrigeration systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».