این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۶، شماره ۹، صفحات ۴۳۷-۴۴۸
عنوان فارسی مطالعه تجربی تاثیر پارامترهای محیطی بر راندمان آبگرمکن سهموی خورشیدی با استفاده از شبکه عصبی در سیرجان
چکیده فارسی مقاله در مطالعه حاضر پس از ساخت و راه اندازی یک آبگرمکن سهموی خورشیدی با استفاده از شبکه عصبی مصنوعی مدلی کارآمد برای پیش‌بینی راندمان آبگرمکن پیشنهاد می‌شود. شبکه عصبی دارای توانایی برقراری ارتباط منطقی میان پارامترهای ورودی و هدف است. زمانی که شرایط برای اندازه‌گیری داده‌ها مطلوب است، راندمان به عنوان تابعی از پارامترهای ورودی‌ شبکه آموزش می‌یابد و از تابع آموزش یافته شبکه می‌توان برای پیش‌بینی راندمان سیستم خورشیدی استفاده کرد. داده های مورد استفاده شبکه عصبی با انجام آزمایش‌هایی روی کلکتور سهموی خطی، در چهار روز از خرداد ماه اندازه گیری شده است. متغیرهایی همچون تابش خورشید، دمای محیط، زمان و دمای سیال خروجی به عنوان ورودی‌های شبکه و راندمان آبگرمکن سهموی به عنوان خروجی‌ شبکه در نظر گرفته شده است. مدل‌های مختلفی از شبکه عصبی با در نظر گرفتن تعداد متفاوتی از متغیرهای ورودی و نورون‌ها ارائه شده است. با افزایش پارامترهای ورودی خطای میانگین مربعی کاهش و دقت مدل افزایش می‌یابد. بنابراین در میان تمام مدل‌ها، مدل 6 با ساختار 1-10-4 (که شامل تمام پارامترهای ورودی است) با خطای جذر میانگین مربعی 0.0061 و ضریب همبستگی 0.99995 برای داده های آموزش دقیق‌ترین مدل است. با توجه به امکان پذیر نبودن انجام آزمایش‌های تجربی در شرایط مشابه، مدل ارائه شده می‌تواند با صرفه‌جویی هزینه و کاهش زمان تحقیقات در پیش‌بینی راندمان آبگرمکن مورد مطالعه موثر واقع شود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Experimental Study of the Effect of Environmental Parameters on a Solar Parabolic Water Heater Efficiency using Neural Network in Sirjan
چکیده انگلیسی مقاله In this study, after fabricating a solar parabolic water heater, an efficient model is suggested to predict the efficiency of the solar water heater system (SWHS). Artificial neural networks (ANN) can create logical relations among the input parameters and target(s). As efficiency is trained a function of the input parameters, when conditions are desirable to measure the data, a network-trained function can be used to predict the efficiency of the solar system. The used data for the neural network analysis were measured by using experiments on a parabolic trough collector, during four days in June. Variables such as solar radiation, ambient temperature and the output fluid temperature of the collector were considered as input parameters and the efficiency of the solar parabolic water heater was used as the output neural network. Different ANN models are presented based on the various input parameters and neurons. The ANN6 model with a 4-10-1 structure, with a root mean square error (RMSE) of 0.0061 and regression coefficient for train data (Rtrain) of 0.99995, is the most accurate among the presented models. By increasing the input parameters, the RMSE decreases and accuracy of the models increases. When experimental tests are not impossible in similar conditions, the presented model can help researchers predict the efficiency of studied SWHS by saving time and costs.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فرناز جمادی |
دانشگاه صنعتی سیرجان
سازمان اصلی تایید شده: دانشگاه صنعتی سیرجان (Sirjan university of technology)

نشانی اینترنتی http://mme.modares.ac.ir/article_15421_1298c45b0a216ce6c5ca704d9dfa9776.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-227242.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات