دانشگاه صنعتی امیرکبیر نشریه مهندسی مکانیک امیرکبیر 2008-6032 57 10 2025 12 22 Thermal performance assessment of two side-by-side natural draft dry cooling towers with circular and elliptical periphery radiator arrangements بررسی عملکرد حرارتی دو برج خنک‌کن خشک جریان طبیعی کنار هم با دو چیدمان محیطی دایروی و بیضوی از رادیاتورها 6021 10.22060/mej.2026.25198.7927 FA یاسر فراهانی دانشکده مهندسی مکانیک، دانشگاه بوعلی سینا، همدان، ایران محسن گودرزی دانشکده مهندسی مکانیک، دانشگاه بوعلی سینا، همدان، ایران Journal Article 2025 12 02 Wind significantly deteriorates thermal performance of natural draft dry cooling towers (NDDCTs). Although various approaches have been proposed to enhance the performance of single and multiple cooling towers, the effect of modifying the geometric arrangement of the radiators has not been comprehensively investigated. In this study, the thermal performance of two side-by-side natural draft dry cooling towers with an elliptical radiator arrangement was numerically compared with that of a conventional circular arrangement using three-dimensional CFD simulations. Results revealed that the presence of an adjacent tower leads to a reduction in the heat transfer rate of each individual tower compared to the isolated (single-tower) condition, highlighting the significant impact of flow interference between the towers. However, at wind speeds of 7 and 10 m/s, the elliptical arrangement outperformed the circular layout. Under high-wind conditions, the elliptical tower improves the thermal efficiency by approximately 18.2% to 29.5% compared to the conventional circular tower. Detailed flow field analysis revealed that the enhanced passage of warm air over the rear radiators in the elliptical arrangement increased the average temperature gradient along the lateral surfaces of these radiators, thereby improving their heat transfer rate. The optimal radiator arrangement depends on the prevailing wind conditions at the site and plays a critical role in improving the thermal performance of the cooling towers. وزش باد می‌تواند باعث کاهش قابل ‌توجه کارایی حرارتی برج‌های خنک‌کن خشک جریان طبیعی شود. با وجود ارائه راهکارهای مختلفی در ارتباط با بهبود عملکرد حرارتی برج‌های منفرد و چندتایی، اثر چیدمان بیضوی رادیاتورها روی عملکرد دسته برج‌های خنک‌کن بررسی نشده است. در این پژوهش، عملکرد حرارتی دو برج خنک‌کن خشک جریان طبیعی کنار هم با چیدمان بیضوی رادیاتورها در مقایسه با چیدمان متداول دایروی، به روش شبیه‌سازی عددی سه‌بعدی بررسی شد. نتایج نشان داد حضور برج مجاور موجب کاهش نرخ انتقال حرارت هر برج نسبت به وضعیت بدون حضور برج دیگری است، که ناشی از تداخل جریان در فاصلۀ بین دو برج است. با این حال، در سرعت‌های باد 7 و 10 متر بر ثانیه، چیدمان بیضوی رادیاتورها عملکرد حرارتی بهتری نسبت به چیدمان دایروی نشان می‌دهد. پیش‌بینی شد که در سرعت‌های زیاد بالا، برج خنک‌کن بیضوی کارایی حرارتی را نسبت به برج خنک‌کن دایروی از2/18 تا 5/29 درصد افزایش خواهد داد. تحلیل جزئیات میدان جریان نشان داد که افزایش میزان عبور هوای گرم از روی رادیاتورهای پشتی برج خنک‌کن بیضوی، موجب افزایش متوسط گرادیان دما در طرفین رادیاتورها شده، و در نتیجه بهبود نرخ انتقال حرارت آن‌ها را در پی دارد. انتخاب چیدمان بهینه رادیاتورهای برج‌های خنک‌کن به سرعت غالب وزش باد در محل وابسته است و می‌تواند نقش مهمی در ارتقای عملکرد حرارتی برج‌های خنک‌کن خشک جریان طبیعی داشته باشد. https://mej.aut.ac.ir/article_6021_430cea3250a7f35d5a1cc5bb581fdbfe.pdf

دانشگاه صنعتی امیرکبیر نشریه مهندسی مکانیک امیرکبیر 2008-6032 57 10 2025 12 22 A data-driven framework for wind turbine power curve cleaning and abnormal data detection based on binning and quantiles چارچوبی داده‌محور برای پاک‌سازی منحنی توان توربین بادی و شناسایی داده های نابه هنجار بر اساس بازه بندی و چندک 6028 10.22060/mej.2026.24688.7894 FA علیرضا آقاجانی مبارکه گروه کنترل، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران جواد پشتان گروه کنترل، دانشکده مهندسی برق، دانشگاه علم و صنعت ایران، تهران، ایران Journal Article 2025 09 05 In this study, a preprocessing approach is proposed to improve training accuracy and computational efficiency by leveraging SCADA data and integrating machine learning algorithms with statistical techniques for unlabeled data. The method reduces the training dataset substantially by partitioning the data into equal points intervals and selecting representative samples based on quantiles, a procedure referred to as RD. Using this strategy, only 0.2% of the original dataset is required for model training in this study. Subsequently, abnormal data points are identified using a power curve model with quantile thresholds. The RD method is evaluated against DBSCAN and a KNN-based model. Experimental results obtained from real-world wind farm data indicate that RD combined with KNN outperforms DBSCAN. Specifically, both MAE and RMSE are reduced by approximately 15%, reflecting improved predictive accuracy. From a computational perspective, the execution time of RD is about 0.15 seconds, compared to 0.99 seconds for DBSCAN, corresponding to a reduction in runtime exceeding 50%. Moreover, unlike DBSCAN, which requires precise parameter tuning or additional constraints tailored to the power curve structure when dealing with dense or linear outliers, the proposed approach is capable of automatically eliminating outlier data points from the wind turbine power curve without the need for predefined filters or explicit boundary definitions prior to the cleaning process. در این پژوهش، به‌منظور افزایش دقت و سرعت آموزش، باتکیه‌بر داده‌های اسکادا و ترکیب الگوریتم‌های یادگیری ماشین با روش‌های آماری، رویکردی برای پیش‌پردازش داده‌های بدون برچسب و حذف خودکار داده‌های پرت ارائه شده است. در این روش، با تقسیم‌بندی داده‌ها به بازه‌های مساوی و انتخاب داده‌ی نماینده بر اساس چندک، حجم داده‌های آموزشی به طور چشمگیری کاهش می‌یابد (در این پژوهش تنها با 2/0٪ کل داده‌ها) که به‌اختصار RD نامیده می‌شود. سپس با استفاده از مدل منحنی توان و حدود آستانه‌ی چندکی محلی، داده‌های نابهنجار شناسایی می‌گردند. روش RD با الگوریتم DBSCAN و مدل‌ KNN مقایسه شده است. نتایج تجربی روی داده‌های واقعی مزرعه بادی نشان می‌دهد که RD در ترکیب با KNN عملکرد بهتری نسبت به DBSCAN دارد؛ به طور خاص، هر دو مقادیر MAE و RMSE حدود 15% کاهش‌یافته و بیانگر خطای پیش‌بینی پایین‌تر است. از نظر محاسباتی ، زمان اجرای RD برابر 0٫15 ثانیه و در DBSCAN 0٫99 ثانیه گزارش شده است و زمان اجرا با روش RD، بیش از 50% کاهش یافت. افزون بر این، برخلاف DBSCAN که در برابر داده‌های پرت متراکم یا خط‌وار نیازمند تنظیمات دقیق یا تعریف دقیق شرایط اضافه بر اساس ساختار منحنی توان است روش پیشنهادی بدون نیاز به تعریف فیلتر و مرز‌ بندی‌های خاص قبل از اعمال روش پاکسازی، قادر به حذف خودکار داده‌های غیرواقعی و پرت در منحنی توان توربین بادی می‌باشد. https://mej.aut.ac.ir/article_6028_67f365927bd0cc1bce104c6e930dcd5f.pdf