ForschungsarbeitAdaptives Neuro-fuzzy inference system (ANFIS) approach for the irreversibility analysis of a domestic refrigerator system using LPG/TiO 2 nanolubricant

In dieser Arbeit wird ein adaptives Neuro-Fuzzy Inference System (ANFIS) vorgestellt, eine Methode der künstlichen Intelligenz zur Vorhersage des Wirkungsgrades nach dem zweiten Gesetz und der Gesamtirreversibilität eines mit LPG/TiO2-Nanokältemitteln betriebenen Kühlsystems. Zu diesem Zweck wurden subtraktive Clustering- und Gitterpartitionsansätze verwendet, um die ANFIS-Modelle zu trainieren, die für die Schätzung des Wirkungsgrads nach dem 2. Gesetz und der Gesamtirreversibilität unter Verwendung einiger experimenteller Daten erforderlich sind. Außerdem wurde festgestellt, dass die Vorhersagen der ANFIS-Modelle mit dem subtraktiven Clustering-Ansatz genauer sind als die Vorhersagen der ANFIS-Modelle mit dem Grid-Partition-Ansatz. Die Vorhersagen der ANFIS-Modelle mit subtraktivem Clustering-Ansatz wurden auch mit experimentellen Ergebnissen verglichen, die nicht in die Modellschulung einbezogen wurden, sowie mit Vorhersagen bereits existierender ANN-Modelle aus früheren Veröffentlichungen der Autoren. Der Vergleich der Varianz, des mittleren quadratischen Fehlers (RMSE) und des mittleren absoluten prozentualen Fehlers (MAPE) ergab 0,996-0,999, 0,0296-0,1726 W und 0,108-0,176 % marginale Variabilitätswerte. Diese Ergebnisse deuten darauf hin, dass das ANFIS-Modell mit subtraktivem Clustering-Ansatz mit Cluster-Radien von 0,7 und 0,5 den Wirkungsgrad nach dem 2. Gesetz bzw. die Gesamtirreversibilität mit höherer Genauigkeit vorhersagen kann als die ANN-Modelle, die die Autoren zuvor veröffentlicht haben.