Μοντελοποίηση και πειραματική διερεύνηση υβριδικού συστήματος ψύξης με προσρόφηση

Παπαθεοχάρης, Ματθαίος; Papatheocharis, Matthaios

dc.contributor.author	Παπαθεοχάρης, Ματθαίος	el
dc.contributor.author	Papatheocharis, Matthaios	en
dc.date.accessioned	2025-12-16T09:00:48Z
dc.date.available	2025-12-16T09:00:48Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/63071
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.30767
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ψύξη με προσρόφηση	el
dc.subject	Μοντελοποίηση με νευρωνικά δίκτυα	el
dc.subject	Υβριδικό σύστημα ψύξης	el
dc.subject	SolBio - Rev	en
dc.subject	Adsorption Cooling	en
dc.subject	Artificial Neural Network	en
dc.subject	Υβριδικό σύστημα ψύξης	el
dc.subject	Hybrid Cooling System	en
dc.title	Μοντελοποίηση και πειραματική διερεύνηση υβριδικού συστήματος ψύξης με προσρόφηση	el
dc.title	Modelling and experimental investigation of an adsorption-based hybrid cooling system	en
heal.type	bachelorThesis
heal.classification	Ψύξη	el
heal.classification	Ψύξη με προσρόφηση	el
heal.classification	Μοντελοποίηση με νευρωνικά δίκτυα	el
heal.classification	Cooling	en
heal.classification	Adsorption Cooling	en
heal.classification	ANN Modelling	en
heal.classification	SolBio - Rev	en
heal.classification	Υβριδικό Σύστημα Ψύξης	el
heal.classification	Hybrid Cooling System	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2025-01-20
heal.abstract	Η αντιστρεπτή αντλία θερμότητας είναι μια από τις αναδυόμενες τεχνολογίες για την ενεργειακή μετάβαση, προσφέροντας μια εξαιρετικά αποδοτική, βιώσιμη λύση τόσο για φορτία θέρμανσης όσο και για ψύξη. Αυτή η μελέτη περιγράφει τη μοντελοποίηση και την πειραματική διερεύνηση ενός αναστρέψιμου υβριδικού συστήματος αντλίας θερμότητας, χρησιμοποιώντας τεχνικές μηχανικής μάθησης. Νευρωνικά δίκτυα (ΑΝΝ), με αρχιτεκτονική πρόσω τροφοδότησης, για την πρόβλεψη της απόδοσης του συστήματος. Τα πειραματικά δεδομένα συλλέχθηκαν από το σύστημα SolBio-Rev και το μοντέλο αξιολογήθηκε με βάση τον συντελεστή προσδιορισμού (R²). Μέσω των σταδιακών δοκιμών, καθορίστηκε η βέλτιστη αρχιτεκτονική ΑΝΝ, η οποία βελτίωσε την ακρίβεια των προβλέψεων του μοντέλου, επιτυγχάνοντας τιμή για το R² ίση με 0,99 για την αντλία θερμότητας και 0,97-0,98 για το ψύκτη κλιμακωτής προσρόφησης. Τα αποτελέσματα της μελέτης προσφέρουν ένα ισχυρό εργαλείο για την πρόβλεψη της απόδοσης του αναστρέψιμου υβριδικού ψυκτικού συγκροτήματος προσρόφησης-αντλίας θερμότητας τόσο σε πλήρες όσο και σε μερικό φορτίο, μειώνοντας την ανάγκη για χρονοβόρες και δαπανηρές δοκιμές αναλυτικών μοντέλων προσομοίωσης κύκλου.	el
heal.abstract	Reversible heat pump is one of the emerging technologies for the energy transition, offering a highly efficient, sustainable solution for both heating and cooling loads. This study describes the modelling and experimental investigation of a reversible hybrid heat pump system, utilizing machine learning techniques. Artificial Neural Networks (N-D), with Feed Forward architecture, to predict the system’s performance. The experimental data was collected by the SolBio-Rev system and the model was evaluated based on the coefficient of determination (R²). Through incremental testing, the optimal N-D architecture was determined, which improved the accuracy of the model’s predictions, achieving an R² performance of 0.99 for the heat pump and of 0.97-0.98 for the cascaded adsorption chiller. The results of the study offer a powerful tool for predicting the performance of the reversible hybrid adsorption chiller-heat pump at both full and part load, reducing the need for time-consuming and expensive testing of analytical cycle simulation models.	en
heal.advisorName	Καρέλλας, Σωτήριος	el
heal.committeeMemberName	Ρουμπεδάκης, Τρύφωνας	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Θερμότητας. Εργαστήριο Ατμοκινητήρων και Λεβήτων	el
heal.academicPublisherID	ntua
heal.numberOfPages	82 σ.	el
heal.fullTextAvailability	false