دانشگاه سمنان مدل سازی در مهندسی 2008-4854 15 50 2017 09 23 Parametric analysis and optimization of the supercritical ejector refrigeration cycle with different working fluids using Artificial neural network and particle swarm optimization algorithm تحلیل پارامتری و بهینه سازی سیکل تبرید اجکتوری فوق بحرانی همراه با سیال عامل‌های مختلف به کمک شبکه عصبی مصنوعی و الگوریتم بهینه سازی پرندگان 121 133 2556 10.22075/jme.2017.2556 FA نوید فریدونی مهر دانشگاه آزاد اسلامی، واحد همدان، باشگاه پژوهشگران جوان و نخبگان فواد نظری دانشگاه آزاد اسلامی، واحد همدان، باشگاه پژوهشگران جوان و نخبگان Journal Article 2013 10 30 In this paper, parametric analysis and optimization of the transcritical ejector refrigeration cycle using different working fluids have been proposed which can be employed in the parts of solar energy processes. The main advantages of using ejector in the refrigeration cycles, which often use instead of the compressor, are simplicity in construction and maintenance, high reliability and low cost. In this study, the transcritical ejector refrigeration cycle is modelled using EES software and the effects of different parameters such as temperature and pressure of different parts of cycle on the coefficient of performance and entrainment ratio are investigated. In continued, the coefficient of performance of the transcritical ejector refrigeration cycle for four different working fluids is optimized using the combination the Artificial Neural Network and Particle Swarm Optimization algorithm. در این مقاله، به بررسی پارامتری و بهینه سازی سیکل تبرید اجکتوری همراه با سیال عامل های مختلف پرداخته شده است که قابلیت استفاده در بخشی از فرایند استفاده از انرژی خورشیدی را دارا می‌باشد. مزیت اصلی استفاده از اجکتور در سیکل های تبرید که معمولاً به جای کمپرسور بکار می رود، سادگی در ساخت و نگه داری، اطمینان پذیری بالا و هزینه ی کم می باشد. در این مطالعه، سیکل تبرید اجکتوری فوق بحرانی با استفاده از نرم‌افزار EES مدل خواهد شد و اثرات پارامترهای مختلف مانند دما و فشار اجزا گوناگون سیکل، بر روی ضریب عملکرد و نسبت مکش مورد بررسی قرار می گیرد. در ادامه، ضریب عملکرد سیکل تبرید اجکتوری فوق بحرانی برای 4 سیال عامل مختلف به کمک ترکیب شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی پرندگان بهینه‌سازی خواهد شد. https://modelling.semnan.ac.ir/article_2556_709107f009a2c73b39c81fd0ddf76043.pdf