Design and analysis of cooling towers using neural netwoks

Em muitos processos há necessidade de remover a carga térmica de um dado sistema e utiliza-se, na maioria dos casos, a água como o fluido de resfriamento. Devido à sua crescente escassez e preocupação com o meio ambiente, além de motivos econômicos, a água "quente" que sai desses processos, deve ser aproveitada. Para tanto, ela passa por uma torre de resfriamento e retorna ao processo. Este trabalho descreve um procedimento para avaliar o desempenho térmico de torres de resfriamento, em duas configurações distintas (escoamento contracorrente e escoamento cruzado), utilizando redes neurais artificiais. A vantagem do procedimento proposto é a possibilidade da avaliação direta do desempenho de uma torre sem a complexidade do uso de procedimentos iterativos para convergência nem a necessidade de rotinas de propriedades físicas e psicrométricas. A avaliação do desempenho é feita pela determinação da temperatura de saída da água para um conjunto de parâmetros de entrada (propriedades de corrente da água e do ar na entrada da torre, dimensões e propriedades do recheio), ou determinação da característica do recheio para uma torre existente, em função das condições operacionais. Para a situação de projeto o procedimento permite estimar a vazão de ar ou altura necessária para a torre satisfazer uma condição operacional exigida. O procedimento proposto se mostrou particularmente eficiente para torres com escoamento cruzado, onde o método tradicional de simulação exige a decomposição da torre em um número elevado de células, cada um como um procedimento iterativo para cálculo do balanço de massa e energia. A rede rendeu ótimos resultados quando usada para predizer a temperatura de saída da água e o coeficiente de transferência de massa. Os resultados mostram que a RNA pode fornecer com precisão o desempenho térmico da torre de resfriamento.In many industrial environments it is necessary to remove the heat load from a given system and in most cases water is used as the coolant. Due to its increasing scarcity and concerns for the environment, and economic reasons, the "hot" water coming out of these processes must be reused. To do so, it passes through a cooling tower and returns to the process. This paper describes a procedure for evaluating the thermal performance of cooling towers in two different configurations (counter flow and cross flow), using artificial neural networks. The advantage of the proposed procedure is the possibility of direct assessment of the performance of a tower without the complexity due to the required convergence of the iterative procedure or the need for physical properties and psychrometric routines. The performance evaluation is made by computing the temperature of the water outlet for a set of input parameters (flow properties of water and air near the tower, dimensions and properties of the filling), or computing the characteristic of the filling for a existing tower, depending on operating conditions. For the project situation, the procedure allows for the estimate of the air flow or the tower height needed to meet a required operating condition. The proposed procedure proved particularly effective in cross-flow towers, where the traditional method of simulation requires the decomposition of the tower in a large number of cells, each as an iterative procedure for calculating the mass balance and energy. The network yielded excellent results when used to predict the exit temperature of the water and the coefficient of mass transfer. The results show that the RNA can accurately provide the thermal performance of the cooling tower