Deep learning artificial intelligence framework for sustainable desiccant air conditioning system: Optimization towards reduction in water footprints

• DOI: 10.1016/j.icheatmasstransfer.2022.106538
• Publication Date: 2022-12-06T00:21:15Z
• Authors: Rasikh Tariq; Muzaffar Ali; Nadeem Ahmed Sheikh; Muhammad Wakil Sh...; Ben Bin Xu
• Keywords: Artificial neural network; Thermochemical Energy Storage and Sorption Technologies; Building Energy Efficiency and Thermal Comfort Optimization; Artificial intelligence; Energy Efficiency; Evaporative cooler; Chilled water; 0211 other engineering and technologies; FOS: Mechanical engineering; 02 engineering and technology; Environmental science; Engineering; Meteorology; Machine learning; FOS: Mathematics; 0202 electrical engineering, electronic engineering, information engineering; Desiccant Cooling; Energy; Water Evaporation; Renewable Energy, Sustainability and the Environment; Liquid Desiccant Dehumidification; Cooling load; Mechanical Engineering; Physics; Mathematical optimization; Building and Construction; Computer science; Mechanical engineering; Air conditioning; Atmospheric Water Harvesting; Desiccant; Physical Sciences; Water cooling; Maximization; Solar-Powered Water Desalination Technologies; Process engineering; Mathematics

تمهد أنظمة التبريد بالتبخير المجفف الطريق نحو الطاقة والاستدامة البيئية في المباني على وجه الخصوص ؛ ومع ذلك، فإن المبردات التبخيرية المباشرة في مثل هذه التكوينات تؤدي إلى ارتفاع استهلاك المياه. يمكن أن يؤدي تطبيق أدوات الذكاء الحسابي الحديثة، بما في ذلك الذكاء الاصطناعي وخوارزميات التحسين الاستدلالي التلوي، إلى تحسين الفهم التشغيلي لأنظمة التبريد المجففة مع معالجة تقليل إجمالي البصمات المائية إلى الحد الأدنى مع تعظيم قدرة التبريد. تتمثل مساهمة/هدف هذا البحث في معالجة الفجوات في الفهم من خلال تطبيق التعلم العميق والخوارزمية الجينية وتحليل القرار متعدد المعايير المطبق على نظام التبريد المجفف الذي يعمل في ظل ظروف تجريبية عابرة حقيقية لمبنى يقع في النمسا. ضمن المنهجية، يتم تكييف نظام مراقبة البيانات المعاير والتجريبي والمصادق عليه الذي يعرض نظام التبريد الحقيقي المعزز بالمجفف لتوليد مجموعة من مجموعات بيانات المدخلات والمخرجات. تتضمن مجموعة البيانات درجة الحرارة المحيطة والرطوبة المحيطة ودرجة حرارة التجديد ومعدل تدفق هواء الإمداد ومعدل تدفق هواء الإرجاع مما ينتج عنه سعة التبريد وإجمالي البصمات المائية للنظام. اقترحت نتائج خوارزمية التعلم العميق باستخدام شبكة عصبية اصطناعية أن البنى 5 - [6]-[6]-1 و 5 -[12]-[12]-1 هي الأفضل للتنبؤ بدقة بقدرة التبريد وإجمالي البصمات المائية بمعامل تحديد 0.98856 و 0.99246، على التوالي. ثانياً، يتم استخدام "نموذج الصندوق الأبيض" لخوارزمية التعلم العميق لتطوير نموذج توأم رقمي يساعد في تكرار الظروف التجريبية السابقة. أشارت نتائج التحسين إلى أن إجمالي البصمات المائية المحسنة هي 45.17 كجم/ساعة مع نظام 3.32 طن من التبريد. توجد هذه القيم المثلى في أفضل مجموعة من متغيرات التصميم التي تكون فيها درجة الحرارة المحيطة 28 درجة مئوية، والرطوبة النسبية المحيطة 52.0 ٪، ومعدل تدفق هواء الإمداد 2.13 كجم/ثانية، ومعدل تدفق التجديد 2.35 كجم/ثانية، ودرجة حرارة التجديد 70.0 درجة مئوية. وخلص إلى أن تطبيق النماذج القائمة على البيانات يمكن أن يوسع تفسير أنظمة التبريد المجففة ويمكن أن يشارك في تحسين أدائها.<br/>Les systèmes de refroidissement par évaporation par dessiccation ouvrent la voie à la durabilité énergétique et environnementale dans les bâtiments en particulier ; cependant, les refroidisseurs par évaporation directe dans de telles configurations entraînent une consommation d'eau élevée. L'application d'outils d'intelligence computationnelle modernes, y compris l'intelligence artificielle et les algorithmes d'optimisation méta-heuristique, peut améliorer la compréhension opérationnelle des systèmes de refroidissement par dessiccation tout en minimisant l'empreinte hydrique totale avec la maximisation de la capacité de refroidissement. La contribution/l'objectif de cette recherche est de combler les lacunes dans la compréhension par l'application de l'apprentissage profond, de l'algorithme génétique et de l'analyse de décision multicritère appliquée à un système de refroidissement déshydratant fonctionnant dans des conditions expérimentales transitoires réelles d'un bâtiment situé en Autriche. Dans la méthodologie, le système de surveillance des données étalonné, expérimental et validé affichant le système de refroidissement amélioré par dessiccant réel est adapté pour générer un ensemble d'ensembles de données d'entrée-sortie. L'ensemble de données comprend la température ambiante, l'humidité ambiante, la température de régénération, le débit d'air d'alimentation et le débit d'air de retour, ce qui donne la capacité de refroidissement et l'empreinte hydrique totale du système. Les résultats de l'algorithme d'apprentissage profond utilisant un réseau neuronal artificiel ont suggéré que les architectures 5-[6]-[6]-1 et 5-[12]-[12]-1 sont les meilleures pour prédire avec précision la capacité de refroidissement et les empreintes totales d'eau avec un coefficient de détermination de 0,98856 et 0,99246, respectivement. Deuxièmement, le « modèle de boîte blanche » de l'algorithme d'apprentissage profond est utilisé pour développer un modèle numérique double qui aide à la réplication des conditions expérimentales antérieures. Les résultats d'optimisation ont suggéré que les empreintes d'eau totales optimisées sont de 45,17 kg/h avec un système de 3,32 tonnes de réfrigération. Ces valeurs optimales se trouvent dans la meilleure combinaison de variables de conception dans laquelle la température ambiante est de 28 °C, l'humidité relative ambiante est de 52,0 %, le débit d'air d'alimentation est de 2,13 kg/s, et le débit de régénération est de 2,35 kg/s, et la température de régénération est de 70,0 °C. Il est conclu que l'application de modèles pilotés par les données peut étendre l'interprétation des systèmes de refroidissement déshydratants et peut participer à son amélioration des performances.<br/>Los sistemas de enfriamiento por evaporación desecante allanan el camino hacia la sostenibilidad energética y ambiental en los edificios especialmente; sin embargo, los enfriadores por evaporación directa en tales configuraciones dan como resultado un alto consumo de agua. La aplicación de herramientas modernas de inteligencia computacional, incluida la inteligencia artificial y los algoritmos de optimización metaheurística, puede mejorar la comprensión operativa de los sistemas de enfriamiento por desecante al tiempo que aborda la minimización de las huellas hídricas totales con la maximización de la capacidad de enfriamiento. La contribución/objetivo de esta investigación es abordar las brechas en la comprensión a través de la aplicación del aprendizaje profundo, el algoritmo genético y el análisis de decisiones multicriterio aplicado a un sistema de enfriamiento desecante que funciona en condiciones experimentales transitorias reales de un edificio ubicado en Austria. Dentro de la metodología, el sistema de monitoreo de datos calibrado, experimental y validado que muestra el sistema de enfriamiento real mejorado con desecante está adaptado para generar un conjunto de conjuntos de datos de entrada-salida. El conjunto de datos incluye la temperatura ambiente, la humedad ambiente, la temperatura de regeneración, el caudal de aire de suministro y el caudal de aire de retorno que producen la capacidad de enfriamiento y la huella hídrica total del sistema. Los resultados del algoritmo de aprendizaje profundo utilizando una red neuronal artificial han sugerido que las arquitecturas 5-[6]-[6]-1 y 5-[12]-[12]-1 son las mejores para predecir con precisión la capacidad de enfriamiento y las huellas hídricas totales con un coeficiente de determinación de 0,98856 y 0,99246, respectivamente. En segundo lugar, el "modelo de caja blanca" del algoritmo de aprendizaje profundo se utiliza para desarrollar un modelo de gemelo digital que ayuda en la replicación de las condiciones experimentales anteriores. Los resultados de optimización han sugerido que las huellas hídricas totales optimizadas son de 45,17 kg/h con un sistema de 3,32 toneladas de refrigeración. Estos valores óptimos se encuentran en la mejor combinación de variables de diseño en las que la temperatura ambiente es de 28 °C, la humedad relativa ambiente es del 52,0%, el caudal de aire de suministro es de 2,13 kg/s y el caudal de regeneración es de 2,35 kg/s, y la temperatura de regeneración es de 70,0 °C. Se concluye que la aplicación de modelos basados en datos puede ampliar la interpretación de los sistemas de refrigeración por desecante y puede participar en su mejora del rendimiento.<br/>Desiccant evaporative cooling systems pave the path towards energy and environmental sustainability in buildings especially; however, the direct evaporative coolers in such configurations result in high water consumption. The application of modern computational intelligence tools, including artificial intelligence and meta-heuristic optimization algorithms, can improve the operational comprehension of desiccant cooling systems while addressing the minimization of total water footprints with the maximization of the cooling capacity. The contribution/objective of this research is to address the gaps in understanding through the application of deep learning, genetic algorithm, and multicriteria decision analysis applied to a desiccant cooling system working under real transient experimental conditions of a building located in Austria. Within the methodology, calibrated, experimental, and validated data monitoring system displaying the real desiccant-enhanced cooling system is adapted to generate a set of input-output data sets. The set of data includes ambient temperature, ambient humidity, regeneration temperature, supply airflow rate, and return airflow rate yielding the cooling capacity and total water footprints of the system. The results of deep learning algorithm using an artificial neural network have suggested that the architectures 5-[6]-[6]-1 and 5-[12]-[12]-1 are the best to accurately predict the cooling capacity and total water footprints with a coefficient of determination of 0.98856 and 0.99246, respectively. Secondly, the "white-box model" of the deep learning algorithm is used to develop a digital twin model which helps in the replication of the earlier experimental conditions. The optimization results have suggested that the optimized total water footprints are 45.17 kg/h with a system of 3.32 tons of refrigeration. These optimal values are found in the best combination of design variables in which the ambient temperature is 28 °C, ambient relative humidity is 52.0%, supply airflow rate is 2.13 kg/s, and regeneration flow rate is 2.35 kg/s, and the regeneration temperature is 70.0 °C. It is concluded that the application of data-driven models can extend the interpretation of desiccant cooling systems and can participate in its performance enhancement.<br/>