مرتضی تاکی - Department of agricultural machinery and mechanization- Agricultural Sciences and Natural Resources University of Khuzestan-Mollasani
روح اله فرهادی - Department of Agricultural Machinery and Mechanization, Agricultural Sciences and Natural Resources University of Khuzestan, Mollasani, Iran

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 سیگموئیدی و تعداد متنوعی از نورون­ها 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 (۱-۲۳-۵) می تواند داده هایی با دقت بالا و شبیه به مقادیر واقعی ایجاد کند. میانگین آماره­های MAPE و R۲ برای مدل فوق به ترتیب ۱۰/۰±۴۲/۰ درصد و ۰۱/۰±۹۹/۰، برآورد شد و نتایج آماری مقایسه میانگین، واریانس و توزیع آماری در سطح احتمال ۹۵% 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.

Artificial Intelligence, k-fold cross validation model, Energy Efficiency