کاربرد مدلهای شبکه عصبی مصنوعی (MLP و RBF) و ماشین بردار پشتیبان (SVM) به منظور تخمین میزان سایه در جمع کننده های خورشیدی صفحه تخت در ایران
در این تحقیق از مدل شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان به منظور تخمین میزان سایه در جمع کننده صفحه تخت خورشیدی با توجه به شرایط جغرافیایی ایران استفاده شد. دو نوع الگوریتم آموزش LM و BR همراه با تابع انتقال تانژانت سیگموییدی و تعداد متنوعی از نورون ها در لایه پنهان همراه با مدل اعتبارسنجی تقاطعی به منظور ایجاد مجموعه داده های تصادفی مورد استفاده قرار گرفت. نتایج نشان داد که مدل MLP با الگوریتم آموزشی BR و ساختار (1-23-5) می تواند داده هایی با دقت بالا و شبیه به مقادیر واقعی ایجاد کند. میانگین آماره های MAPE و R2 برای مدل فوق به ترتیب 10/0±42/0 درصد و 01/0±99/0، برآورد شد و نتایج آماری مقایسه میانگین، واریانس و توزیع آماری در سطح احتمال 95% بین داده های واقعی و مقادیر پیش بینی شده، معنی دار نبودند. نتایج آنالیز حساسیت نشان داد که فاصله صفحه جاذب تا پوشش شیشه ای مهم ترین فاکتور تاثیرگذار بر ایجاد سایه است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.