مقایسه پیش بینی دمای خروجی جمع کننده خورشیدی تخت با نتایج تجربی: دینامیک سیالات محاسباتی و شبکه عصبی مصنوعی

ماشین های کشاورزی

مقاله 24، دوره 7، شماره 1 - شماره پیاپی 13، 1396، صفحه 298-311  

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v7i1.59698

نویسندگان

فاطمه نادی ¹؛ سامان آبدانان مهدی زاده²؛ اولدوز نورانی زنوز³

¹گروه مکانیک ماشین‌های کشاورزی، واحد آزادشهر، دانشگاه آزاد اسلامی، آزادشهر، ایران

²گروه مکانیک بیوسیستم، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان، ایران

³گروه مکانیک سیالات، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

چکیده

تجزیه و تحلیل دقیق یک جمع کننده خورشیدی با توجه به بالا بودن تعداد پارامترهای مؤثر بر عملکرد آن کار پیچیده ای است. هدف از انجام این تحقیق، مقایسه تجربی و نظری عملکرد جمع کننده خورشیدی با توجه به توزیع جریان و درجه حرارت در دینامیک سیالات محاسباتی و شبکه عصبی پرسپترون چندلایه برای پیش بینی دمای خروجی از جمع کننده خورشیدی صفحه تخت است. دمای خروجی از جمع کننده خورشیدی صفحه تخت به‌صورت عددی با دینامیک سیالات محاسباتی و با شبکه عصبی مدل شد و با نتایج تجربی مقایسه شد. به‌منظور آموزش و ارزیابی شبکه های عصبی مصنوعی از پنج عامل ورودی میزان تشعشع خورشید، سرعت هوا، زمان روز، رطوبت و دمای هوا استفاده شد. برای مدل سازی عددی انتقال گرمای جمع کننده خورشیدی صفحه تخت از نرم افزار تجاری حجم محدود استفاده شد. در کار حاضر یک مدل دو بعدی از جمع کننده خورشیدی شامل صفحه جاذب، شیشه و فاصله هوایی بین صفحه جاذب و شیشه در تحلیل انتقال گرما ارائه شد. اثرات آشفتگی با مدل تلاطم مدل شد. حداکثر اختلاف دما بین نتایج عددی و تجربی با دینامیک سیالات محاسباتی حدود 6/4 کلوین به‌دست آمد. تحلیل آماری برای مقایسه نتایج پیش بینی دمای خروجی دو روش شبکه عصبی و دینامیک سیالات محاسباتی صورت گرفت. نتایج نشان داد که شبکه عصبی به -لحاظ آماری نسبت به روش دینامیک سیالات محاسباتی تطابق بهتری با داده های تجربی دارد.

کلیدواژه‌ها

جمع کننده صفحه تخت خورشیدی؛ دمای خروجی؛ دینامیک سیالات محاسباتی؛ شبکه عصبی مصنوعی

مراجع

Aghkhani, M. H., M. H. Abbaspour-Fard, M. R. Bayati, H. Mortezapour, S. I. Saedi, and A. Moghimi. 2013. Performance Analysis of a Solar Dryer Equipped with a Recycling Air System and Desiccant Chamber. Journal of Agricultural Machinery 3 (2): 92-103. (In Farsi).

2. Azeez, M. A. A. 2011. Artificial neural network estimation of global solar radiation using meteorological parameters in Gusau, Nigeria. Archives of Applied Science Research 3: 586-95.

3. Badache, M., D. Rousse, S. Halle, G. Quesada, and Y. Dutil. 2012. Experimental and two-dimensional numerical simulation of an unglazed transpired solar air collector. Energy Procedia 30: 19-28.

4. Benli, H. 2013. Determination of thermal performance calculation of two different types solar air collectors with the use of ANN. International Journal of Heat and Mass Transfer 60: 1-7.

5. Dogan, A., H. Demirpence, and M. Cobaner. 2008. Prediction of Groundwater Levels From Lake Levels and Climate Data Using ANN Approach. Water SA, 34 (2): 199.

6. Duffie, J. A., and Beckman, W. A. 1991. Solar Engineering of Thermal Processes, John Wiley Interscience, New York.

7. Esen, H., F. Özgen, M. Esen, and A. Sengur. 2009. ANN and wavelet neural network approaches for modeling of a solar air heater. Expert System with Applications 36: 11240-11248.

8. Fahad, A.A., D. Ibrahim, and H. Feridum. 2011. Exergy modeling of a new solar driven trigeneration system. Solar Energy 85: 2228-2243.

9. Fluent Inc. 2006. Fluent 6.3 UDF Manual. Fluent Inc, Lebanon.

10. Fuxin, H. 1997. Solar drying. International solar Energy applications training workshop. Lanzhou, China.

11. Gorla, R. S. R. 1997. Finite element analysis of a flat plate solar collector. Finite Elements in Analysis and Design 24: 283-290.

12. Hornik, K., M. Stinchcombe, and H. White. 1989. Multilayer feed forward networks are universal approximatbrs. Neural Networks 2: 359-366.

13. Incropera, F. P., and D. P. DeWitt. 1985. Introduction to Heat Transfer. Wiley.USA.

14. Ingle, P. W., A. A. Pawar, B. D. Deshmukh, and K. C. Bhosale. 2013. CFD Analysis of Solar Flat Plate Collector. International Journal of Emerging Technology and Advanced Engineering 3: 337-342.

15. Janjai, S., A. Esper, and W. Muhlbauer. 2000. Modelling the performance of a large area plastic solar collector. Renewable energy 21: 363-376.

16. Kuipers, J. A. M., and W. P. M. Van Swaaij. 1998. Computational fluid dynamics applied to chemical reaction engineering. Advances in Chemical Engineering 24: 227-328.

17. Lecoeuche, S., and T. S. Lalot. 2005. Prediction of the daily performance of solar collectors, International Communications in Heat and Mass Transfer 32: 603-611.

18. Pangavhane, D. R., R. L. Sawhney, and P. N. Sarsvadia. 2002. Design, development and performance testing of a new natural convection solar dryer. Energy 27: 579-590.

19. Rehman, S., and M. Mohandes. 2009. Estimation of diffuse fraction of global solar radiation using artificial neural networks. Energy Sources PartA 31: 974-84.

20. Selmi, M., M. J. Al-Khawaja, and A. Marafia. 2008. Validation of CFD simulation for flat plate solar energy collector. Renewable Energy 33: 383-387.

21. Streeter, V. L. 1962. Fluid Mechanics. McGraw-Hill.

22. Tripathy, P. P., and S. Kumar. 2009. Neural network approach for food temperature prediction during solar drying. International Journal of Thermal Sciences 48: 1452-1459.

23. Turgut, O., and N. Onur. 2009. Three dimensional numerical and experimental study of forced convection heat transfer on solar collector surface. International Communications in Heat and Mass Transfer 36: 274-279.

24. Versteeg, H. K. and W. Malalasekera. 1995. An introduction to Computational Fluid Dynamics: The Finite Volume Method. Prentic Hall. London

25. Zhai, R. R., Y. Zhu, Y. P. Yang, K. Y. Tan, and H. Eric. 2013. Exergetic and Parametric Study of a Solar Aided Coal-Fired Power Plant. Entropy 15: 1014-1034.

26. Zurada, J. M. 1996. Introduction to artificial neural systems. West Publishing Co. USA.