پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,504 |
| تعداد مشاهده مقاله | 124,123,425 |
| تعداد دریافت فایل اصل مقاله | 97,231,529 |
پیش‌بینی دمای سیال خروجی از جمع‌کننده خورشیدی صفحه تخت با دو روش شبکه عصبی مصنوعی (ANN) و تخمین گر بردار پشتیبان (SVR) | ||
| مهندسی بیوسیستم ایران | ||
| مقاله 14، دوره 49، شماره 4، اسفند 1397، صفحه 669-678 اصل مقاله (964.96 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2018.250104.665030 | ||
| نویسندگان | ||
| لیدا دهلقی1؛ حکمت ربانی2؛ اسماعیل میرزائی قلعه* 3؛ کامران خیرعلی پور4 | ||
| 1دانشجوی کارشناسی ارشد، گروه مهندسی مکانیک بیوسیستم، دانشگاه رازی، کرمانشاه، ایران | ||
| 2دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشگاه رازی، کرمانشاه، ایران | ||
| 3استادیار، گروه مهندسی مکانیک بیوسیستم، دانشگاه رازی، کرمانشاه، ایران | ||
| 4استادیار، گروه مهندسی مکانیک بیوسیستم، دانشگاه ایلام، ایلام، ایران | ||
| چکیده | ||
| در مطالعه حاضر دمای آب خروجی از جمع کننده خورشیدی صفحه تخت با استفاده از شبکه‌های عصبی مصنوعی (ANN) و تخمین‌گر بردار پشتیبان (SVR) در دو حالت مدل و با نتایج تجربی مقایسه شد. نتایج نشان داد که با افزایش پارامترهای ورودی مدل‌ها، دقت مدل افزایش یافت. بر اساس نتایج مقادیر R2، MSE و MAPE در روش SVRبرای مدل اول به ترتیب برابر 97/0، 25/3 و 77/2 و برای پارامترهای مدل دوم به ترتیب برابر 99/0، 10/0 و 55/0 به‌دست آمد. در حالی که این مقادیر برای روش ANN برای مدل اول به ترتیب برابر 99/0، 02/0 و 28/0، و برای مدل دوم به ترتیب برابر 99/0، 01/0 و 19/0 به دست آمد. نتایج نشان داد که مدل شبکه عصبی مصنوعی نسبت به مدل تخمین‌گر بردار پشتیبان با دقت بیشتری دمای آب خروجی از جمع‌کننده خورشیدی صفحه تخت را پیش بینی کرد. | ||
| کلیدواژه‌ها | ||
| تخمین‌گر بردار پشتیبان؛ جمع کننده خورشیدی؛ دمای آب؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Forecasting the Outlet Fluid Temperature from a Flat Plate Collector Using Artificial Neural Networks (ANNs) and Support Vector Regression (SVR) | ||
| نویسندگان [English] | ||
| Lida Dehlaghi1؛ Hekmat Rabbani2؛ Esmaeil Mirzaee- Ghaleh3؛ Kamran Kheiralipour4 | ||
| 1MSc. Student, Mechanical Engineering of Biosystem Department, Razi University, Kermanshah, Iran | ||
| 2Associate Professor, Mechanical Engineering of Biosystem Department, Razi University, Kermanshah, Iran | ||
| 3Assistant Professor, Mechanical Engineering of Biosystem Department, Razi University, Kermanshah, Iran | ||
| 4Assistant Professor, Mechanical Engineering of Biosystem Department, Ilam University, Ilam, Iran | ||
| چکیده [English] | ||
| In the present study, the outlet water temperature from flat plate solar collector using artificial neural networks (ANNs) and support vector regression (SVR) was modeled and compared with experimental results. Based on the results, with increasing input parameters of models, the accuracy of the model was increased. According to the results the values of R2, RMSE and MAPE in the SVR method for the first model were 0.97, 3.25 and 2.77, respectively. While these values for the second model was 0.99, 0.10 and 0.55, respectively. On the other hand, for the ANN method and for the first model these values were 0.99 and 0.02 and 0.28, respectively. And for the second model were 0.99 and 0.01 and 0.19, respectively. The results showed that the accuracy of artificial neural network model for peridicting the water outlet temperature was better than that of the support vector regression model. | ||
| کلیدواژه‌ها [English] | ||
| Support Vector Regression, Solar collector, Water Temperature, artificial neural network | ||
| مراجع | ||
|
Anonymous. (2013). Iranian solar energy scientific society. Available at: http://www.irses.ir. Azeez, M. A. A. (2011). Artificial neural network estimation of global solar radiation using meteorological parameters in Gusau, Nigeria. Archives of Applied Science Research, 3, 586-95. Benli, H. (2013). "Determination of thermal performance calculation of two different types' solar air collectors with the use of artificial neural networks". International Journal of Heat and Mass Transfer. 60(1), 1–7. Cristianini, N., Shaw-Taylor, J. (2000). “An introduction to support vector machines and other kernel-based learning methods” Cambridge: Cambridge University Press Dibike, Y.B., Velickov, S., Solomatine, D., Abbott, M.B. (2001). Model Induction with support vector machines: Introduction and Application. Computing in Civil Engineering. 15(3): 208-216. Dogan, A., H. Demirpence, and M. Cobaner. (2008). Prediction of Groundwater Levels From Lake Levels and Climate Data Using ANN Approach. Water SA, 34 (2), 199. El-Kassaby, M.M. (1988). Monthly and daily optimum tilt angle for south facing solar collectors; theoretical model- experimental and empirical correlations. Solar and wind technology. 5(6), 589-596. Fahad, A.A., D. Ibrahim, and H. Feridum. (2011). Exergy modeling of a new solar driven trigeneration System. Solar Energy, 85, 2228-2243. Hibbert, CH. B., Gillott, M., Kendall, M. (2009). An artificial neural network for predicting domestic hot water characteristics, International Journal of Low-Carbon Technologies, Advance Access published, 4(2), 112-119. Homayounifer, M., Adibian, M.S., GeorgiPour, M.J., Mohajeri, M. (2013). Solar Energy, Opportunities and Challenges. Second National Conference on New and Clean Energy, 10560. (In Farsi). Jamadi, F. (2016). Comparison of methods for determining the angle of gravity of solar collector plates. The first national conference on clean and fresh energy management. Hamedan. Hegmatane Environment Forum. Mofattah Shahid Faculty. (In Farsi) Karimzadeh, M., Mohajeri, M., Adibian, M. S., Georgypour, M. J. (2013). Evaluating the Economic Aspects of New Energy. Second National Conference on New and Clean Energy, 10560. (In Farsi) Lecoeuche, S., and T. S. Lalot. (2005). Prediction of the daily performance of solar collectors, International Communications in Heat and Mass Transfer, 32, 603-611. Maleki A., (2011). Energy Policy. Encyclopedia of Energy. Material and Energy Research Center. (In Farsi) Mellit, A. Massi Pavan, A. Benghanem, M. (2013). Least squares support vector machine for short-term Theoretical and Applied Climatology, 111 (1-2), 297-307. MirzaeeGhaleh, A. (2013). Development of a Solar Intelligent Solar System Based on Fuzzy Logic Controller for Heating Nesting Ph. D. University of Tehran. (In Farsi). Nadi, F., AbdananMahdizadeh, A., NouraniZenouz. (2017). Comparison of the predicted temperature of flat panel solder collector with experimental results: Computational Fluid Dynamics and Artificial Neural Network. Agricultural Machinery Journal, 7 (1), 298-311. (In Farsi) Pal, M., Deswal, S. (2008). “Modeling Pile Capacity Using Support Vector Machines and Generalized Regression Neural Network,” Journal of Geotechnical and Geoenvironmental Engineering, ASCE. (134),1021-1024. Ramedani, Z., Omid, M., Keyhani, A., Shamshirband, SH. D., Khoshnevisan, B. (2014). "Potential of radial basis function based support vector regression for global solar radiation prediction". Renewable and Sustainable Energy Reviews. 39. 1005–1011 Sedaghatkerdar, A. A. Fatahi, A. (2008). Drought Drought Indicators in Iran. Journal of Geography and Development, 11,59-76. (In Farsi) Vapnik, V. (1998). Statistical learning theory. John Wiley, New York. Vapnik, V.N., Chervonenkis, A.Y. (1971). “On the uniform convergence of relative frequencies of events to their probabilities,” Theory of Probability and its Applications.16: 264-280. Zamani Mohayabadi, M. (2015). Instantaneous prediction of total solar radiation in Rafsanjan city by neural network. Energy of iran, 16 (3), 56-63. (In Farsi) Zanjani, M. (2011). Optimal Diffraction Forecast of Solar Panel Solar Collector with Artificial Intelligence Approach. Master's thesis of mechanical engineering. Razi University, Faculty of Engineering. (In Farsi) Zhai, R, R., Y. Zhu, Y. P. Yang, K. Y. Tan, and H. Eric. (2013). Exergetic and Parametric Study of a Solar Aided Coal-Fired Power Plant. Entropy 15, 1014-1034. | ||
|
آمار تعداد مشاهده مقاله: 366 تعداد دریافت فایل اصل مقاله: 525 |
||