مطالعه تجربي تاثير پارامترهاي محيطي بر راندمان آبگرمكن سهموي خورشيدي با استفاده از شبكه عصبي در سيرجان

Experimental Study of the Effect of Environmental Parameters on a Solar Parabolic Water Heater Efficiency using Neural Network in Sirjan

در مطالعه حاضر پس از ساخت و راه اندازي يك آبگرمكن سهموي خورشيدي با استفاده از شبكه عصبي مصنوعي مدلي كارآمد براي پيش‌بيني راندمان آبگرمكن پيشنهاد مي‌شود. شبكه عصبي داراي توانايي برقراري ارتباط منطقي ميان پارامترهاي ورودي و هدف است. زماني كه شرايط براي اندازه‌گيري داده‌ها مطلوب است، راندمان به عنوان تابعي از پارامترهاي ورودي‌ شبكه آموزش مي‌يابد و از تابع آموزش يافته شبكه مي‌توان براي پيش‌بيني راندمان سيستم خورشيدي استفاده كرد. داده هاي مورد استفاده شبكه عصبي با انجام آزمايش‌هايي روي كلكتور سهموي خطي، در چهار روز از خرداد ماه اندازه گيري شده است. متغيرهايي همچون تابش خورشيد، دماي محيط، زمان و دماي سيال خروجي به عنوان ورودي‌هاي شبكه و راندمان آبگرمكن سهموي به عنوان خروجي‌ شبكه در نظر گرفته شده است. مدل‌هاي مختلفي از شبكه عصبي با در نظر گرفتن تعداد متفاوتي از متغيرهاي ورودي و نورون‌ها ارائه شده است. با افزايش پارامترهاي ورودي خطاي ميانگين مربعي كاهش و دقت مدل افزايش مي‌يابد. بنابراين در ميان تمام مدل‌ها، مدل 6 با ساختار 1-10-4 (كه شامل تمام پارامترهاي ورودي است) با خطاي جذر ميانگين مربعي 0.0061 و ضريب همبستگي 0.99995 براي داده هاي آموزش دقيق‌ترين مدل است. با توجه به امكان پذير نبودن انجام آزمايش‌هاي تجربي در شرايط مشابه، مدل ارائه شده مي‌تواند با صرفه‌جويي هزينه و كاهش زمان تحقيقات در پيش‌بيني راندمان آبگرمكن مورد مطالعه موثر واقع شود.

In this study, after fabricating a solar parabolic water heater, an efficient model is suggested to predict the efficiency of the solar water heater system (SWHS). Artificial neural networks (ANN) can create logical relations among the input parameters and target(s). The Efficiency is trained as a function of the input parameters, when conditions are desirable to measure the data, a network-trained function can be used to predict the efficiency of the solar system. The used data for the neural network analysis were measured by using experiments on a parabolic trough collector during four days in June. Variables such as solar radiation, ambient temperature and the output fluid temperature of the collector were considered as input parameters and the efficiency of the solar parabolic water heater was used as the output neural network. Different ANN models are presented based on the various input parameters and neurons. The ANN6 model with a 4-10-1 structure, with a root mean square error (RMSE) of 0.0061 and regression coefficient for train data (Rtrainl) of 0.99995, is the most accurate among the presented models. By increasing the input parameters, the RMSE decreases and accuracy of the models increases. When experimental tests are not impossible in similar conditions, the presented model can help researchers predict the efficiency of studied SWHS by saving time and cost.