شبيه‌سازي گرمايش غير فعال ديوار خورشيدي و پيش‌بيني دما با شبكه عصبي مصنوعي و مدل تطبيقي عصبي – فازي (انفيس)

Simulation of passive heating solar wall and prediction the temperature by Artificial Neural Networks and Adaptive Neuro-Fuzzy model (ANFIS)

در اين مقاله، گرمايش هوا در فضاي داخلي اتاق توسط ديوار خورشيدي (ترومب) با در نظر گرفتن هدايت حرارتي اين ديوار، به صورت عددي شبيه‌‌سازي شده است. معادلات مومنتوم و انرژي به روش حجم كنترل جبري شده‌اند و به كمك الگوريتم سيمپل به صورت همزمان حل مي‌شوند. در ابتدا يك مدل مرجع معرفي و نتايج آن ارائه شده است و سپس با استفاده از اين مدل مرجع، پارامتر‌هاي موثر بر كارايي ديوار بررسي شده و در نهايت بهينه‌ترين هندسه براي داشتن ديوار خورشيدي با بهترين عملكرد انتخاب شده است. همچنين جهت افزايش كارآيي، فين‌هايي مستطيل شكل بر روي سطح جاذب ديوار قرار گرفته است. نتايج حاصل شده نشان مي‌دهد ديوار خورشيدي با فين مستطيلي در تمامي فواصل هوايي بهتر از ديوار ساده عمل مي‌كند و به طور نمونه در فاصله هوايي برابر 1 متر، دماي اتاق با وجود فين‌هاي مستطيلي تقريبا 1.24 درصد بيشتر از ديوار ترومب ساده است. در ادامه با استفاده از شبكه عصبي مصنوعي و انفيس ميزان افزايش دماي اتاق با افزايش تعداد فين‌ها روي ديوار پيش‌‌بيني شده است. شبكه عصبي به گونه‌اي آموزش داده شد كه بتواند دماي ميانگين اتاق را به تعداد فين‌هاي روي سطح جاذب ديوار خورشيدي وابسته سازد. نتايج به دست آمده و مقايسه مقادير مربع ميانگين خطاي استاندارد و مربع مجذور ميانگين خطا نشان داد مدل انفيس با مقدار مربع ميانگين خطاي استاندارد برابر 0.742599 نسبت به شبكه عصبي با مقدار مربع ميانگين خطاي استاندارد برابر 1.1 در پيش‌بيني دما كارآيي مناسب‌تري دارد.

In this paper, the interior air of the room heated by the solar wall (Trombe) with respect to Heat conduction in the wall is numerically simulated. Momentum and energy equations have been Algebraic with finite volume method and at the same time are solved with SIMPLE algorithm. First, a reference model is introduced and the results are presented and then with this reference model, the effective parameters on the performance of the wall were investigated and ultimately the most optimal geometry for the solar wall with the best performance was voted.As well, rectangular fins has been put on the surface of the absorbent wall, in order to increase its efficiency. The results show that solar wall with rectangular fins in all air gaps has better performance than plain wall and for example, with rectangular fins in the air gap equal to 1 m, room temperature is approximately 1.24% more than the simple Trombe wall. Then, using Artificial Neural Networks and ANFIS the values increase of room temperature by increasing the number of fins has been projected on the wall. The neural network was trained in such a way that the average temperature of the room depends on the number of fins on the surface of the absorbent the solar wall. The results obtained and compare mean squared error and root-mean-square error showed that ANFIS With the mean squared error equal to 0.742599 has good performance and acceptable accuracy compared with Neural Network With the mean squared error equal 1.1 to predict temperature.