The performance of an organic Rankine cycle (ORC) relies on process design and operation. Simultaneous optimization of design and operation for a range of working fluids (WFs) is therefore a promising approach for WF selection. For this, deterministic global process optimization can guarantee to identify a global optimum, in contrast to local or stochastic global solution approaches. However, providing accurate thermodynamic models for a large number of WFs while maintaining computational tractability of the resulting optimization problems are open research questions. We integrate accurate thermodynamic and transport properties via artificial neural networks (ANNs) and solve the design problems with MAiNGO in a reduced-space formulation. We illustrate the approach for an ORC process for waste heat recovery of a diesel truck. After an automated preselection of 122 WFs, ANNs are automatically trained for the 37 selected WFs based on data retrieved from the thermodynamic library CoolProp. Then, we perform deterministic global optimization of design and operation for every WF individually. Therein, the trade-off between net power generation and investment cost is investigated by multiobjective optimization. Further, a thermoeconomic optimization finds a compromise between both objectives. The results show that, for the given conditions, monoaromatic hydrocarbons are a promising group of WFs. In future work, the proposed method and the trained ANNs can be applied to the design of a variety of energy processes.

中文翻译：

---

通过确定性的整体设计和操作优化来选择有机朗肯循环的工作流体

有机朗肯循环（ORC）的性能取决于工艺设计和操作。因此，同时优化一系列工作流体（WF）的设计和操作是选择WF的有前途的方法。为此，与局部或随机全局解决方案方法相比，确定性全局过程优化可以确保确定全局最优。但是，为大量WF提供准确的热力学模型，同时保持所产生的优化问题的计算可处理性是未解决的研究问题。我们通过人工神经网络（ANN）集成了精确的热力学和传输特性，并以缩小空间的公式解决了MAiNGO的设计问题。我们说明了用于柴油卡车废热回收的ORC工艺的方法。在自动预选了122个WF后，将根据从热力学库CoolProp中检索到的数据为37个选定的WF自动训练ANN。然后，我们分别对每个WF执行确定性的设计和操作全局优化。其中，通过多目标优化研究了净发电量与投资成本之间的权衡。此外，热经济优化发现了两个目标之间的折衷。结果表明，在给定条件下，单芳烃是一种有前途的WF。在未来的工作中，所提出的方法和训练有素的人工神经网络可以应用于各种能源过程的设计。我们对每个WF分别进行设计和操作的确定性全局优化。其中，通过多目标优化研究了净发电量与投资成本之间的权衡。此外，热经济优化发现了两个目标之间的折衷。结果表明，在给定条件下，单芳烃是一种有前途的WF。在未来的工作中，所提出的方法和训练有素的人工神经网络可以应用于各种能源过程的设计。我们对每个WF分别进行设计和操作的确定性全局优化。其中，通过多目标优化研究了净发电量与投资成本之间的权衡。此外，热经济优化发现了两个目标之间的折衷。结果表明，在给定条件下，单芳烃是一种有前途的WF。在未来的工作中，所提出的方法和训练有素的人工神经网络可以应用于各种能源过程的设计。单芳烃是一种有前途的WF。在未来的工作中，所提出的方法和训练有素的人工神经网络可以应用于各种能源过程的设计。单芳烃是一种有前途的WF。在未来的工作中，所提出的方法和训练有素的人工神经网络可以应用于各种能源过程的设计。