پيش بيني دماي سيال خروجي از جمع كننده خورشيدي صفحه تخت با دو روش شبكه عصبي مصنوعي (ANN) و تخمين گر بردار پشتيبان (SVR)

Forecasting the Outlet Fluid Temperature from a Flat Plate Collector Using Artificial Neural Networks (ANNs) and Support Vector Regression (SVR

در مطالعه حاضر دماي آب خروجي از جمع كننده خورشيدي صفحه تخت با استفاده از شبكه هاي عصبي مصنوعي (ANN) و تخمين گر بردار پشتيبان (SVR) در دو حالت مدل و با نتايج تجربي مقايسه شد. نتايج نشان داد كه با افزايش پارامترهاي ورودي مدل ها، دقت مدل افزايش يافت. بر اساس نتايج مقادير R2، MSE و MAPE در روش SVRبراي مدل اول به ترتيب برابر 97/0، 25/3 و 77/2 و براي پارامترهاي مدل دوم به ترتيب برابر 99/0، 10/0 و 55/0 به دست آمد. در حالي كه اين مقادير براي روش ANN براي مدل اول به ترتيب برابر 99/0، 02/0 و 28/0، و براي مدل دوم به ترتيب برابر 99/0، 01/0 و 19/0 به دست آمد. نتايج نشان داد كه مدل شبكه عصبي مصنوعي نسبت به مدل تخمين گر بردار پشتيبان با دقت بيشتري دماي آب خروجي از جمع كننده خورشيدي صفحه تخت را پيش بيني كرد.

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.