کاربرد مدلهای شبکه عصبی مصنوعی (MLP و RBF) و ماشین بردار پشتیبان (SVM) به منظور تخمین میزان سایه در جمعکنندههای خورشیدی صفحه تخت در ایران | ||
| مهندسی بیوسیستم ایران | ||
| دوره 52، شماره 2، تابستان 1400، صفحه 197-209 اصل مقاله (924.5 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2021.310127.665339 | ||
| نویسندگان | ||
| مرتضی تاکی* 1؛ روح اله فرهادی2 | ||
| 1گروه مهندسی ماشینهای کشاورزی و مکانیزاسیون-دانشگاه علوم کشاورزی و منابع طبیعی خوزستان-ملاثانی | ||
| 2گروه مهندسی ماشینهای کشاورزی و مکانیزاسیون، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی | ||
| چکیده | ||
| در این تحقیق از مدل شبکه عصبی مصنوعی و رگرسیون بردار پشتیبان بهمنظور 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 سیگموئیدی و تعداد متنوعی از نورونها در لایه پنهان همراه با مدل اعتبارسنجی تقاطعی به منظور ایجاد مجموعه دادههای تصادفی مورد استفاده قرار گرفت. نتایج نشان داد که مدل MLP با الگوریتم آموزشی BR و ساختار (1-23-5) میتواند دادههایی با دقت بالا و شبیه به مقادیر واقعی ایجاد کند. میانگین آمارههای 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 دادههای واقعی و مقادیر پیشبینی شده، معنیدار نبودند. نتایج آنالیز حساسیت نشان داد که فاصله صفحه جاذب تا پوشش شیشهای مهمترین فاکتور تاثیرگذار بر ایجاد سایه است. | ||
| کلیدواژهها | ||
| هوش مصنوعی؛ مدل اعتبارسنجی تقاطعی؛ بازده انرژی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,203 تعداد دریافت فایل اصل مقاله: 737 |
||