مقايسه شبكه‌هاي عصبي ديناميكي و استاتيكي در پيش‌بيني عملكرد آب شيرين‌كن خورشيدي سهموي

Comparison of dynamic and static neural networks in predicting performance of parabolic solar desalination

در اين پژوهش با بكارگيري مدل‌هاي مختلف شبكه عصبي، به بررسي ارتباط ميان ميزان توليد آب شيرين و دماي بخار آب در اثر شرايط مختلف جوي و چندين دبي آب ورودي در شرايط مختلف روز در يك آب شيرين‌كن مجهز به متمركز كننده خطي سهموي خورشيدي پرداخته شد. نتايج نشان داد كه شبكه‌هاي استاتيك و ديناميك با دقت بالايي مي‌توانند فرآيند‌هاي توليد آب شيرين را مدل‌سازي كنند. شبكه عصبي استاتيك با سرعت بالاتر نسبت به شبكه‌هاي ديناميكي مي‌تواند فرآيند مدل سازي را انجام دهد در عين حال به نظر مي‌رسد كه ميزان خطا در فرآيند مدل سازي با بكارگيري شبكه‌هاي ديناميك كاهش مي‌يابد. ضريب تبيين براي الگوهاي آموزش، ارزيابي و تست در شبكه استاتيك به ترتيب 0.9898، 0.9899 و 0.9889 مي‌باشد. در حالي كه ضريب تبيين براي الگوهاي آموزش، ارزيابي و تست در شبكه‌ ديناميك به ترتيب 0.9922، 0.9894 و 0.9901 مي‌باشد. همچنين ميزان خطاي شبكه در شبكه استاتيك براي الگوهاي آموزش، ارزيابي و تست به ترتيب 0.0011، 0.0027 و 0.0024 و براي شبكه‌هاي ديناميك به ترتيب 0.0018، 0.0007 و 0.0004 مي‌باشد. مقايسه شبكه‌هاي استاتيك و ديناميك نشان داد كه شبكه‌هاي ديناميك با دقت بيشتري نسبت به شبكه‌هاي استاتيك مي‌تواند ميزان توليد آب شيرين و دماي بخار آب را با توجه به تغييرات پارامترهاي جوي پيش‌بيني كند.

In this research with utilization of various neural networks models, the relationship between the amount of water production and the temperature of the vapor with different weather conditions, time of day and several water debits in desalination system equipped with linear solar parabolic concentrator was investigated. The results showed that static and dynamic networks can model the process of producing fresh water with high accuracy. Static neural network can perform the modelling process with higher speed than dynamic neural network. However, it seems that the amount of error using dynamic networks was reduced in process modeling. Coefficient of determination (R2) for training, validation and testing in static networks was 0.9898, 0.9899 and 0.9889, respectively. While coefficient of determination (R2) for training, validation and testing in dynamic networks was 0.9922, 0.9894 and 0.9901, respectively. Also, the amount of mean square error (MSE) in static network for training, validation and testing was 0.0011, 0.0027 and 0.0024, respectively and for dynamic networks was 0.0018, 0.0007 and 0.0004, respectively. Comparison between dynamic and static networks show that the dynamic networks can predict the production of fresh water and vapor temperature according to changes in atmospheric parameters more accurately than the static networks.