ForskningspapirAdaptiv neuro-fuzzy-inferencesystem (ANFIS) tilgang til irreversibilitetsanalyse af et køleskabssystem til husholdningsbrug med LPG/TiO 2-nanolubricant

Dette arbejde præsenterer en adaptiv neuro-fuzzy-inferencesystem (ANFIS) kunstig intelligensmetode til forudsigelse af 2. lovs effektivitet og total irreversibilitet af et kølesystem, der kører på LPG/TiO2-nanokølemidler. Til dette formål blev der anvendt substraktiv clustering og gridpartition til at træne de ANFIS-modeller, der er nødvendige for at estimere den anden lovs effektivitet og den samlede irreversibilitet ved hjælp af nogle eksperimentelle data. Endvidere viste det sig, at ANFIS-modellernes forudsigelser med subtraktiv clustering-metode var mere nøjagtige end ANFIS-modellernes forudsigelser med grid-partition-metode. ANFIS-modellernes forudsigelser med subtraktiv klyngetilgang blev også sammenlignet med eksperimentelle resultater, der ikke indgik i modeltræningen, og forudsigelser af allerede eksisterende ANN-modeller fra forfatternes tidligere publikationer. Sammenligningen af varians, root mean square error (RMSE), mean absolute percentage error (MAPE) var 0,996-0,999, 0,0296-0,1726 W og 0,108-0,176 % marginale variabilitetsværdier. Disse resultater viser, at ANFIS-modellen med subtraktiv klyngetilgang med klyngeradier på 0,7 og 0,5 kan forudsige henholdsvis 2. lovs effektivitet og den samlede irreversibilitet med højere nøjagtighed end forfatternes tidligere publicerede ANN-modeller.