پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 675 |
| تعداد مقالات | 9,814 |
| تعداد مشاهده مقاله | 69,672,874 |
| تعداد دریافت فایل اصل مقاله | 49,025,761 |
Freshwater yield prediction from modified solar still: An analysis of deep learning models for forecasting in Tehran | ||
| Journal of Heat and Mass Transfer Research | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 08 آذر 1404 | ||
| نوع مقاله: Full Length Research Article | ||
| شناسه دیجیتال (DOI): 10.22075/jhmtr.2025.39056.1832 | ||
| نویسندگان | ||
| sevda allahyari1؛ mohsen fathi2؛ sasan asiaei1؛ S.M. Hosseinalipour* 1 | ||
| 1School of Mechanical Engineering, Iran University of Science and Technology, Tehran | ||
| 2School of New Technologies, Iran University of Science and Technology, Tehran | ||
| تاریخ دریافت: 25 شهریور 1404، تاریخ بازنگری: 27 مهر 1404، تاریخ پذیرش: 08 آذر 1404 | ||
| چکیده | ||
| Water deficiency is a significant global challenge that requires the advancement of sustainable and effective desalination methods. Solar stills provide a feasible solution for the production of fresh water in areas dealing with water limitations, particularly in remote locations. The intermittent and changing character of solar radiation imposes significant limitations on most applications. The accurate forecasting of solar radiation is crucial for estimating the distillate yield of a solar still system. For this purpose, the study evaluates the freshwater yield of the modified pyramid solar still in Tehran. Utilizing monthly data from 1984 to 2023 and employing Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN), and CNN-LSTM algorithms, predictions for solar irradiance and temperature are calculated for the next ten years. The results validated the better performance of the CNN and GRU models in forecasting solar radiation and temperature. The predicted average annual freshwater yield for the ten years from 2024 to 2033 is calculated to be 2630 liters in Tehran. These findings emphasize the importance of integrating accurate solar forecasting techniques with renewable desalination systems to optimize water production. Furthermore, the approach outlined in this study can be applied to other regions with similar climatic conditions to enhance freshwater accessibility and ensure long-term water sustainability. | ||
| کلیدواژهها | ||
| Pyramidal solar still؛ Productivity Forecasting؛ Solar radiation؛ Deep learning؛ Long-term prediction | ||
| عنوان مقاله [English] | ||
| پیشبینی عملکرد آب شیرین از دستگاه تقطیر خورشیدی اصلاحشده: تحلیلی از مدلهای یادگیری عمیق برای پیشبینی در تهران | ||
| چکیده [English] | ||
| کمبود آب یک چالش جهانی مهم است که نیازمند پیشرفت روشهای پایدار و مؤثر نمکزدایی است. دستگاههای تقطیر خورشیدی، راهحلی عملی برای تولید آب شیرین در مناطقی با محدودیت آب، بهویژه در مناطق دورافتاده، ارائه میدهند. ویژگی متناوب و متغیر تابش خورشیدی، محدودیتهای قابل توجهی را بر اکثر کاربردها تحمیل میکند. پیشبینی دقیق تابش خورشیدی برای تخمین عملکرد تقطیر یک سیستم تقطیر خورشیدی بسیار مهم است. برای این منظور، این مطالعه عملکرد آب شیرین دستگاه تقطیر خورشیدی هرمی اصلاحشده در تهران را ارزیابی میکند. با استفاده از دادههای ماهانه از سال ۱۹۸۴ تا ۲۰۲۳ و با استفاده از الگوریتمهای حافظه کوتاهمدت بلندمدت (LSTM)، واحد بازگشتی دروازهای (GRU)، شبکه عصبی کانولوشن (CNN) و CNN-LSTM، پیشبینیهای تابش و دمای خورشیدی برای ده سال آینده محاسبه میشود. نتایج، عملکرد بهتر مدلهای CNN و GRU را در پیشبینی تابش و دمای خورشیدی تأیید کرد. میانگین عملکرد سالانه آب شیرین پیشبینیشده برای ده سال از ۲۰۲۴ تا ۲۰۳۳ در تهران ۲۶۳۰ لیتر محاسبه شده است. این یافتهها بر اهمیت ادغام تکنیکهای دقیق پیشبینی خورشیدی با سیستمهای نمکزدایی تجدیدپذیر برای بهینهسازی تولید آب تأکید دارند. علاوه بر این، رویکرد مطرحشده در این مطالعه میتواند در سایر مناطق با شرایط آب و هوایی مشابه برای افزایش دسترسی به آب شیرین و تضمین پایداری آب در درازمدت اعمال شود. | ||
| کلیدواژهها [English] | ||
| دستگاه تقطیر خورشیدی هرمی, پیشبینی بهرهوری, تابش خورشیدی, یادگیری عمیق, پیشبینی بلندمدت | ||
|
آمار تعداد مشاهده مقاله: 13 |
||