Experimental Investigation of Wall Shear Stress Variation in Various Pipe Types and Modeling with Artificial Neural Network
Öz
In this study, the variation of wall shear stress
along the pipe for the developing turbulent pipe flows was obtained
experimentally. For this purpose, five pipe having different roughness
(aluminum, copper, black, galvanized and PPRC “polypropylene random copolymer”)
are selected. Many piezometric holes are tapped into horizontal water pipe
closely in the transition region while only one at the entry and one at the
exit of fully developed region for the experimental study. During the experiment,
flow rates were measured using a hydraulic tank and static pressure values
corresponding this flow rates were recorded for defined time interval using a
digital camera. Utilizing these recorded images, instant pressure fluctuations
are obtained with help of an image processing software. Taking the average of
the instant pressure fluctuations time averaged pressure values were calculated
for each pressure piezometers. Using pressure difference between adjacent
piezometers the wall shear stresses have been identified. For each pipe and for
different Reynolds numbers the variation of wall shear stress has been
presented along the pipe. A predictive model is obtained by using artificial
neural network (ANN) for the shear stresses obtained from the experiment. Among
the predictive models created by ANN for shear stress values, the minimum error
rate is the predictive model of copper pipe with a value of 10%.Different error
analyzes were performed to determine the validity of the obtained model. As a
result, the wall shear stress variation in the pipes with different roughness
was determined and the highest shear stress value (20.13 Pa) was observed in
PPRC pipe.
Anahtar Kelimeler
Pipe Flows Developing Flow Shear Stress Artificial Neural Network
Kaynakça
- Abraham.J.P.Sparrow. Tong. J.C.K. Bettenhausen. D.W. 2010. Internal flows which transist from turbulent through intermittent to laminar, International Journal of Thermal Sciences, 49, 256–263.
- Çengel.Y. A. JM. Cimbala. 2008. Akışkanlar Mekaniği Temelleri ve Uygulamaları, Birinci baskıdan çeviri, İzmir Güven Kitabevi.
- Sokhal, K. S., Gangacharyulu, D., & Bulasara, V. K. 2018. Effect of guar gum and salt concentrations on drag reduction and shear degradation properties of turbulent flow of water in a pipe. Carbohydrate polymers, 181, 1017-1025.
- Vasques, J., Cherdantsev, A., Cherdantsev, M., Isaenkov, S., & Hann, D. 2018. Comparison of disturbance wave parameters with flow orientation in vertical annular gas-liquid flows in a small pipe. Experimental Thermal and Fluid Science.
- Liu, Y., & de Bruyn, J. R. 2018. Start-up flow of a yield-stress fluid in a vertical pipe. Journal of Non-Newtonian Fluid Mechanics, 257, 50-58.
- Ahn, J., Lee, J., & Sung, H. J. 2017. Contribution of large-scale motions to the Reynolds shear stress in turbulent pipe flows. International Journal of Heat and Fluid Flow, 66, 209-216.
- Singh, J., Rudman, M., & Blackburn, H. M. 2017. The effect of yield stress on pipe flow turbulence for generalized Newtonian fluids. Journal of Non-Newtonian Fluid Mechanics, 249, 53-62.
- Teti, R., Jemielniak, K., O'Donnell, G., Dornfeld, D. 2010. Advanced monitoring of machining operations, Cirp Annals-Manufacturing Technology, 59 (2),717-739.
- Findik T., Taşdemir Ş. and Şahin, İ. 2010. The use of artificial neural network for prediction of grain size of 17-4 pH stainless steel powders, Sci. Research and Essays, 5, 11, 1274-1283.
Çeşitli Boru Tiplerinde Çeper Kayma Gerilmesi Değişiminin Deneysel Olarak İncelenmesi ve Yapay Sinir Ağı ile Modellenmesi
Öz
Bu çalışmada, gelişen türbülanslı boru akışında çeper kayma gerilmesinin
boru boyunca değişimi deneysel olarak elde edilmiştir. Bu amaçla değişik
pürüzlülükte 5 adet boru (alüminyum, bakır, siyah, galvanizli ve PPRC
“polypropylene random copolymer” ) seçilmiştir. Bu borulara hidrodinamik geçiş
bölgesinde sık aralıklarla tam gelişmiş akış bölgesinde ise sadece giriş ve
çıkışta olmak üzere çok sayıda basınç prizleri yerleştirilmiştir. Deneyler
yapılırken debi hidrolik tank yardımıyla ölçülmüş ve bu debiye karşılık gelen
statik basınç değerleri, sisteme kurulan sabit bir dijital kamera yardımıyla
belirli zaman aralıklarında kaydedilmiştir. Kaydedilen bu görüntülerden
yararlanarak bir görüntü işleme programı yardımı ile anlık basınç çalkantıları
elde edilmiştir. Anlık basınç çalkantılarının ortalaması alınarak her bir
basınç prizindeki zaman ortalamalı basınç değerleri hesaplanmıştır. Birbirine
yakın basınç prizleri arasındaki basınç farkından yararlanarak çeper kayma
gerilmeleri tespit edilmiştir. Her bir boru için değişik Reynold sayılarında
kayma gerilmesinin boru boyunca değişimi grafik olarak sunulmuştur. Deney
çalışmalarından elde edilen kayma gerilmeleri için yapay sinir ağı (YSA)
kullanılarak tahminsel bir model elde edilmiştir. Elde edilen modelin
geçerliliğini belirlemek için farklı hata analizleri yapılmıştır. YSA
tarafından kayma gerilmesi değerleri için oluşturulan tahminsel modeller
içerisinde en az hata oranı %10 değeri ile bakır boruya ait tahminsel
modelidir. Sonuç olarak farklı pürüzlülüğe sahip borulardaki çeper kayma
gerilmeleri belirlenmiş ve en fazla kayma gerilmesi değeri (20.13 Pa) PPRC
boruda görülmüştür.
Anahtar Kelimeler
Kaynakça
- Abraham.J.P.Sparrow. Tong. J.C.K. Bettenhausen. D.W. 2010. Internal flows which transist from turbulent through intermittent to laminar, International Journal of Thermal Sciences, 49, 256–263.
- Çengel.Y. A. JM. Cimbala. 2008. Akışkanlar Mekaniği Temelleri ve Uygulamaları, Birinci baskıdan çeviri, İzmir Güven Kitabevi.
- Sokhal, K. S., Gangacharyulu, D., & Bulasara, V. K. 2018. Effect of guar gum and salt concentrations on drag reduction and shear degradation properties of turbulent flow of water in a pipe. Carbohydrate polymers, 181, 1017-1025.
- Vasques, J., Cherdantsev, A., Cherdantsev, M., Isaenkov, S., & Hann, D. 2018. Comparison of disturbance wave parameters with flow orientation in vertical annular gas-liquid flows in a small pipe. Experimental Thermal and Fluid Science.
- Liu, Y., & de Bruyn, J. R. 2018. Start-up flow of a yield-stress fluid in a vertical pipe. Journal of Non-Newtonian Fluid Mechanics, 257, 50-58.
- Ahn, J., Lee, J., & Sung, H. J. 2017. Contribution of large-scale motions to the Reynolds shear stress in turbulent pipe flows. International Journal of Heat and Fluid Flow, 66, 209-216.
- Singh, J., Rudman, M., & Blackburn, H. M. 2017. The effect of yield stress on pipe flow turbulence for generalized Newtonian fluids. Journal of Non-Newtonian Fluid Mechanics, 249, 53-62.
- Teti, R., Jemielniak, K., O'Donnell, G., Dornfeld, D. 2010. Advanced monitoring of machining operations, Cirp Annals-Manufacturing Technology, 59 (2),717-739.
- Findik T., Taşdemir Ş. and Şahin, İ. 2010. The use of artificial neural network for prediction of grain size of 17-4 pH stainless steel powders, Sci. Research and Essays, 5, 11, 1274-1283.
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Makine Mühendisliği |
| Bölüm | Makine Mühendisliği |
| Yazarlar | |
| Yayımlanma Tarihi | 30 Aralık 2019 |
| Gönderilme Tarihi | 28 Ağustos 2018 |
| Yayımlandığı Sayı | Yıl 2019Cilt: 22 Sayı: 4 |
