این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی مکانیک مدرس، جلد ۱۶، شماره ۱۲، صفحات ۲۹۱-۲۹۹
عنوان فارسی مقایسه شبکه‌های عصبی دینامیکی و استاتیکی در پیش‌بینی عملکرد آب شیرین‌کن خورشیدی سهموی
چکیده فارسی مقاله در این پژوهش با بکارگیری مدل‌های مختلف شبکه عصبی، به بررسی ارتباط میان میزان تولید آب شیرین و دمای بخار آب در اثر شرایط مختلف جوی و چندین دبی آب ورودی در شرایط مختلف روز در یک آب شیرین‌کن مجهز به متمرکز کننده خطی سهموی خورشیدی پرداخته شد. نتایج نشان داد که شبکه‌های استاتیک و دینامیک با دقت بالایی می‌توانند فرآیند‌های تولید آب شیرین را مدل‌سازی کنند. شبکه عصبی استاتیک با سرعت بالاتر نسبت به شبکه‌های دینامیکی می‌تواند فرآیند مدل سازی را انجام دهد در عین حال به نظر می‌رسد که میزان خطا در فرآیند مدل سازی با بکارگیری شبکه‌های دینامیک کاهش می‌یابد. ضریب تبیین برای الگوهای آموزش، ارزیابی و تست در شبکه استاتیک به ترتیب 0.9898، 0.9899 و 0.9889 می‌باشد. در حالی که ضریب تبیین برای الگوهای آموزش، ارزیابی و تست در شبکه‌ دینامیک به ترتیب 0.9922، 0.9894 و 0.9901 می‌باشد. همچنین میزان خطای شبکه در شبکه استاتیک برای الگوهای آموزش، ارزیابی و تست به ترتیب 0.0011، 0.0027 و 0.0024 و برای شبکه‌های دینامیک به ترتیب 0.0018، 0.0007 و 0.0004 می‌باشد. مقایسه شبکه‌های استاتیک و دینامیک نشان داد که شبکه‌های دینامیک با دقت بیشتری نسبت به شبکه‌های استاتیک می‌تواند میزان تولید آب شیرین و دمای بخار آب را با توجه به تغییرات پارامترهای جوی پیش‌بینی کند.
کلیدواژه‌های فارسی مقاله پیش‌بینی، مدل‌سازی شبکه عصبی، آب شیرین‌کن خورشیدی،
عنوان انگلیسی Comparison of dynamic and static neural networks in predicting performance of parabolic solar desalination
چکیده انگلیسی مقاله In this research with utilization 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 debit in desalination system equipped whit linear solar parabolic concentrator was investigated. The results showed that static and dynamic networks can be modeled the process of production fresh water with high accuracy. Static neural network can do the modelling process with higher speed than dynamic neural network. However it seems that the amount of error with using dynamic networks was reduced in process modeling. Coefficient of determination (R2) for training, validation and testing in static networks were 0.9898, 0.9899 and 0.9889, respectively. While coefficient of determination (R2) for training, validation and testing in dynamic networks were 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 be predicted the production of fresh water and vapor temperature according to changes in atmospheric parameters accurately than the static networks.
کلیدواژه‌های انگلیسی مقاله Prediction, Neural networks modelling, solar desalination
نویسندگان مقاله احمد بناکار |
دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

علی متولی |
دانشگاه علوم کشاورزی و منابع طبیعی ساری
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی ساری

مهدی منتظری |
دانشگاه تربیت مدرس
سازمان اصلی تایید شده: دانشگاه تربیت مدرس (Tarbiat modares university)

سید رضا موسوی سیدی | seyed reza mousavi seyedi
دانشگاه علوم کشاورزی و منابع طبیعی ساری
سازمان اصلی تایید شده: دانشگاه علوم کشاورزی و منابع طبیعی ساری

نشانی اینترنتی http://mme.modares.ac.ir/article_15850_b48d62c875fc3ebe7752a3c0eb69b7b9.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1256/article-1256-343517.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