The Kalina cycle has proven to be a reliable bottoming cycle for low-grade waste heat recovery. However, compared with other recovery cycles (e.g. the Rankine cycle), it is characterized by a lower efficiency rate and constraints on the heating medium inlet temperature. This study proposes a systematic method for configuring and optimizing three novel Kalina-trilateral-based systems to overcome those disadvantages. This accurate technique integrates thermodynamics with deep learning to accelerate the computation process. First, the actual thermodynamic-economic features of the alternative systems are modeled through the analyses of energy, exergy, and economy. Second, the surrogate models of the systems are developed through a long short-term memory (LSTM) network. Third, the direct and hybrid optimization algorithms are applied separately to the actual and surrogate models. The objective functions yield thermal efficiency, exergy efficiency, and distributed payback time. Moreover, the strength Pareto evolutionary algorithm (SPEA-II) is employed to solve the multi-objective optimization problem. According to the results, the LSTM network had considerable power to simulate and predict the energo-exergo-economic performance of an energy system. Furthermore, the computation time was much shorter for a hybrid algorithm with the maintained accuracy. Consequently, the heating source temperature constraint was eliminated in the final alternative cycle (KTS-36). Compared with the base system (KCS-34), the thermodynamic and economic objective functions were improved by 74.3% and 34%, respectively.

Kalina 循环已被证明是低品位废热回收的可靠底循环。然而，与其他回收循环（例如兰金循环）相比，它的特点是效率较低，并且对加热介质入口温度有限制。本研究提出了一种系统方法，用于配置和优化三个基于 Kalina 三边的新型系统，以克服这些缺点。这种精确的技术将热力学与深度学习相结合，以加速计算过程。首先，通过对能源、火用和经济的分析，对替代系统的实际热力学经济特征进行建模。其次，系统的代理模型是通过长短期记忆 (LSTM) 网络开发的。第三，直接和混合优化算法分别应用于实际模型和代理模型。目标函数产生热效率、火用效率和分布式投资回收时间。此外，强度帕累托进化算法（SPEA-II）被用来解决多目标优化问题。根据结果​​，LSTM 网络在模拟和预测能源系统的能量-消耗-经济性能方面具有相当大的能力。此外，对于保持精度的混合算法，计算时间要短得多。因此，在最后一个替代循环 (KTS-36) 中消除了热源温度限制。与基础系统（KCS-34）相比，热力学和经济目标函数分别提高了74.3%和34%。目标函数产生热效率、火用效率和分布式投资回收时间。此外，强度帕累托进化算法（SPEA-II）被用来解决多目标优化问题。根据结果​​，LSTM 网络在模拟和预测能源系统的能量-消耗-经济性能方面具有相当大的能力。此外，对于保持精度的混合算法，计算时间要短得多。因此，在最后一个替代循环 (KTS-36) 中消除了热源温度限制。与基础系统（KCS-34）相比，热力学和经济目标函数分别提高了74.3%和34%。目标函数产生热效率、火用效率和分布式投资回收时间。此外，强度帕累托进化算法（SPEA-II）被用来解决多目标优化问题。根据结果​​，LSTM 网络在模拟和预测能源系统的能量-消耗-经济性能方面具有相当大的能力。此外，对于保持精度的混合算法，计算时间要短得多。因此，在最后一个替代循环 (KTS-36) 中消除了热源温度限制。与基础系统（KCS-34）相比，热力学和经济目标函数分别提高了74.3%和34%。强度帕累托进化算法（SPEA-II）用于解决多目标优化问题。根据结果​​，LSTM 网络在模拟和预测能源系统的能量-消耗-经济性能方面具有相当大的能力。此外，对于保持精度的混合算法，计算时间要短得多。因此，在最后一个替代循环 (KTS-36) 中消除了热源温度限制。与基础系统（KCS-34）相比，热力学和经济目标函数分别提高了74.3%和34%。强度帕累托进化算法（SPEA-II）用于解决多目标优化问题。根据结果​​，LSTM 网络在模拟和预测能源系统的能量-消耗-经济性能方面具有相当大的能力。此外，对于保持精度的混合算法，计算时间要短得多。因此，在最后一个替代循环 (KTS-36) 中消除了热源温度限制。与基础系统（KCS-34）相比，热力学和经济目标函数分别提高了74.3%和34%。LSTM 网络具有相当大的能力来模拟和预测能源系统的能量-运动-经济性能。此外，对于保持精度的混合算法，计算时间要短得多。因此，在最后一个替代循环 (KTS-36) 中消除了热源温度限制。与基础系统（KCS-34）相比，热力学和经济目标函数分别提高了74.3%和34%。LSTM 网络具有相当大的能力来模拟和预测能源系统的能量-运动-经济性能。此外，对于保持精度的混合算法，计算时间要短得多。因此，在最后一个替代循环 (KTS-36) 中消除了热源温度限制。与基础系统（KCS-34）相比，热力学和经济目标函数分别提高了74.3%和34%。