این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی و مدیریت انرژی، جلد ۴، شماره ۳، صفحات ۳۸-۴۷
عنوان فارسی ارزیابی عملکرد شبکۀ عصبی مصنوعی در پیش‌بینی تابش خورشیدی روزانۀ کشور ایران
چکیده فارسی مقاله درایران به‌طور متوسط، 5/5 کیلووات ساعت انرژی خورشیدی بر هر مترمربع از سطح زمین می‌تابد و 300 روز آفتابی در 90% خاک ایران موجود است. با توجه به ‌این میزان تابش و لزوم آگاهی از پهنه‌بندی پتانسیل خورشیدی جهت بهره‌وری مناسب، نیاز به ‌رسم نقشه‌های پتانسیل خورشیدی است. در این مطالعه، از داده‌های ماهیانه 10 ساله (1991-2000 میلادی)، موجود 39 ایستگاه سینوپتیک هواشناسی ایران به‌عنوان داده‌های ورودی به‌ نرم‌افزار Matlab و شبکۀ عصبی مصنوعی استفاده شد. از یک مدل چندلایه پیشخور در شبکۀ عصبی مصنوعی استفاده شده است. پس از اعمال داده‌های ورودی به شبکه با معماری مورد نظر در لایۀ خروجی، تشعشع خورشیدی پیش‌بینی شده است. تشعشع خورشیدی پیش‌بینی‌شده توسط شبکۀ عصبی مصنوعی همخوانی قابل توجهی با داده‌های هواشناسی داشته، به‌طوری‌که ضریب همبستگی نهایی به‌دست‌آمده از شبکۀ عصبی مصنوعی 96/0 است که حاکی از دقت بالای داده‌های به‌دست‌آمده از نرم‌افزار است. با انتخاب داده‌های پیش‌بینی‌شده از شبکۀ عصبی مصنوعی به‌عنوان ورودی برای نرم‌افزار ArcGIS نقشۀ پتانسیل خورشیدی سالیانه برای ایران به‌دست آمده است.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Evaluation of Artificial Neural Network Performance to Predict Daily Solar Radiation in Iran
چکیده انگلیسی مقاله Iran has an average of 5.5 KWh per square meter solar radiation and 300 sunny days per year on 90% of the land. Regarding this amount of solar radiation and the necessity for solar potential zoning for better efficiencies, drawing solar potential maps is essential. In this study, the monthly data of 39 synoptic of Iran meteorological stations over years (1991-2000) has been used as the input data to the MATLAB software and artificial neural network (ANN). In the ANN, a multi-layer feed forward model is used. After applying the input data to the network with desired architecture, in output layer the solar radiation is predicted. The solar radiation anticipated by ANN is highly in accordance with meteorological data so that the final correlation coefficient is 0.96, depicting the great accuracy of the data derived from the software. By selecting the predicted data of ANN as input to ArcGIS software, the annual solar potential map of Iran is obtained.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله مهران عامری | mehran ameri
department of mechanical engineering and energy , shahid bahonar university, kerman, iran
بخش مهندسی مکانیک ، دانشگاه شهید باهنر کرمان ـ ایران
سازمان اصلی تایید شده: دانشگاه شهید باهنر (Shahid bahonar university)

محمد هادی پور | mohamad hadipoor
department of mechanical engineering, shahid bahonar university, kerman, iran
بخش مهندسی مکانیک، دانشگاه شهید باهنر کرمان ـ ایران
سازمان اصلی تایید شده: دانشگاه شهید باهنر (Shahid bahonar university)

نشانی اینترنتی http://energy.kashanu.ac.ir/browse.php?a_code=A-10-113-2&slc_lang=fa&sid=fa
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1260/article-1260-229270.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مهندسی مکانیک
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات