پیوندهای مفید
آمار
| تعداد نشریات | 22 |
| تعداد شمارهها | 712 |
| تعداد مقالات | 10,258 |
| تعداد مشاهده مقاله | 72,013,258 |
| تعداد دریافت فایل اصل مقاله | 63,762,299 |
تعیین پارامترهای موثر بر عملکرد کلکتور خورشیدی صفحه تخت با استفاده از روش یادگیری ماشین | ||
| مدل سازی در مهندسی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 دی 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2025.38847.2897 | ||
| نویسندگان | ||
| سعادت زیرک* 1؛ مهتاب سلیمی2 | ||
| 1دانشکده مکانیک- دانشگاه سمنان-سمنان-ایران | ||
| 2دانشگاه سمنان-دانشکده مهندسی مکانیک | ||
| تاریخ دریافت: 15 شهریور 1404، تاریخ بازنگری: 02 آذر 1404، تاریخ پذیرش: 01 دی 1404 | ||
| چکیده | ||
| در این مقاله، ابتدا روابط تحلیلی میزان جذب و راندمان تبدیل خورشیدی به حرارتی یک کلکتور خورشیدی آورده شده است. برای کلکتور در نظر گرفته شده، بدون استفاده از آب خنککننده، دمای سکون کلکتور 132.5 درجه سانتیگراد میباشد (دمای صفحه جاذب) و با تزریق آب خنککننده به میزان یک لیتر بر دقیقه، دمای صفحه جاذب به 33 درجه سانتیگراد کاهش و راندمان کلکتور به 77% خواهد رسید. برای پیشبینی راندمان کلکتور، سه مدل یادگیری ماشین: خطی، جنگل تصادفی، و درخت تصمیم، به کار برده شد. هفت پارامتر: شدت تابش خورشید، زاویه کلکتور با افق (زاویه نصب کلکتور)، سرعت باد، قطر لولهها، تعداد لولهها، دمای محیط، و دبی آب خنککننده، بعنوان پارامترهای ورودی انتخاب شدند. مقایسه راندمان پیش بینی با مقادیر واقعی نشان داد که مدل خطی دارای ارزیابی ضعیفتری نسبت به دو مدل دیگر است. مدلهای درخت تصمیم و جنگل تصادفی با توانایی تقریبا یکسان و با دقت بالایی پیشبینی را انجام میدهند (مدل جنگل تصادفی با اختلاف ناچیزی بهتر از مدل درخت تصمیم پیشبینی میکند). علاوه بر آن، در میان پارامترهای ورودی، تاثیر تغییرات زاویه نصب، شدت تابش و سرعت باد بر مقدار راندمان خیلی ناچیز است. بیشترین تاثیر را دبی آب خنککننده دارد. قطر لولههای خنککننده، دمای محیط و تعداد لولهها، تاثیر متوسطی دارند. | ||
| کلیدواژهها | ||
| کلکتور صفحه تخت؛ عملکرد؛ یادگیری ماشین؛ راندمان؛ جنگل تصادفی؛ درخت تصمیم | ||
| عنوان مقاله [English] | ||
| Determination of Effective Parameters on Flat Plate Collector Performance Using Machine Learning Method | ||
| نویسندگان [English] | ||
| Saadat zirak1؛ Mahtab Salimi2 | ||
| 1Faculty of Mechanical Engineering, Semnan University, Semnan, Iran | ||
| 2Mechanical Engineering Department/semnan University | ||
| چکیده [English] | ||
| In this paper, first, analytical relationships of flat plate collector absorption rate and solar-to-thermal energy efficiency are presented. For the considered collector, without the use of cooling water, the collector stagnation temperature is 132.5 degrees Celsius (absorber plate temperature) and by entering the cooling water of one liter per minute, the absorber plate temperature decreases to 33 degrees Celsius and the collector efficiency reaches to 77%. To predict the collector efficiency, three machine learning models were used: linear, random forest, and decision tree. Seven parameters of solar radiation intensity, collector tilt angle, wind speed, pipe diameter, number of pipes, ambient temperature, and cooling water flow rate, were selected as input parameters. Comparison of the predicted efficiency with actual values showed that the linear model has a weaker evaluation than the other two models. The random forest and decision tree models perform prediction with almost equal ability and high accuracy (the random forest model predicts negligibly better than the decision tree model). In addition, among the input parameters, changes in collector tilt angle, solar radiation and wind speed insignificantly affects the efficiency. The cooling water flow rate has the greatest effect. The pipe diameter, ambient temperature and the number of the tubes, have a moderate effect. | ||
| کلیدواژهها [English] | ||
| Flat plate collector, Performance, Machine learning, Efficiency, Random Forest, Decision tree | ||
|
آمار تعداد مشاهده مقاله: 137 |
||