شبیه سازی گرمایش غیر فعال دیوار خورشیدی و پیش بینی دما با شبکه عصبی مصنوعی و مدل تطبیقی عصبی – فازی (انفیس)
Publish place: Modares Mechanical Engineering، Vol: 18، Issue: 2
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 122
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_MME-18-2_018
تاریخ نمایه سازی: 10 اسفند 1403
Abstract:
در این مقاله، گرمایش هوا در فضای داخلی اتاق توسط دیوار خورشیدی (ترومب) با در نظر گرفتن هدایت حرارتی این دیوار، به صورت عددی شبیه سازی شده است. معادلات مومنتوم و انرژی به روش حجم کنترل جبری شده اند و به کمک الگوریتم سیمپل به صورت همزمان حل می شوند. در ابتدا یک مدل مرجع معرفی و نتایج آن ارائه شده است و سپس با استفاده از این مدل مرجع، پارامتر های موثر بر کارایی دیوار بررسی شده و در نهایت بهینه ترین هندسه برای داشتن دیوار خورشیدی با بهترین عملکرد انتخاب شده است. همچنین جهت افزایش کارآیی، فین هایی مستطیل شکل بر روی سطح جاذب دیوار قرار گرفته است. نتایج حاصل شده نشان می دهد دیوار خورشیدی با فین مستطیلی در تمامی فواصل هوایی بهتر از دیوار ساده عمل می کند و به طور نمونه در فاصله هوایی برابر ۱ متر، دمای اتاق با وجود فین های مستطیلی تقریبا۱.۲۴ درصد بیشتر از دیوار ترومب ساده است. در ادامه با استفاده از شبکه عصبی مصنوعی و انفیس میزان افزایش دمای اتاق با افزایش تعداد فین ها روی دیوار پیش بینی شده است. شبکه عصبی به گونه ای آموزش داده شد که بتواند دمای میانگین اتاق را به تعداد فین های روی سطح جاذب دیوار خورشیدی وابسته سازد. نتایج به دست آمده و مقایسه مقادیر مربع میانگین خطای استاندارد و مربع مجذور میانگین خطا نشان داد مدل انفیس با مقدار مربع میانگین خطای استاندارد برابر ۰.۷۴۲۵۹۹ نسبت به شبکه عصبی با مقدار مربع میانگین خطای استاندارد برابر ۱.۱ در پیش بینی دما کارآیی مناسب تری دارد.
Keywords:
Authors
اکرم جهانبخشی
Department of Mechanical Engineering, Shahrekord University, Shahrekord, Iran
افشین احمدی ندوشن
Mechanical Engineering Department, Engineering Faculty, Shahrekord University, shahrekord
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
