Iranian Journal of Energy

fa پیش بینی ذخیره حرارت در سامانه گرمایشی خورشیدی و انرژی مصرفی گلخانه با شبکه عصبی مصنوعی Energy Consumption and Heat Storage in a Solar Greenhouse: Artificial Neural Network Method فن آوري هاي انرژي هاي تجديد پذير Renewable Energy Technologies پژوهشي Research در تحقیق حاضر، عملکرد یک سامانه گرمایشی خورشیدی گلخانه، مجهز به متمرکزکننده سهموی خطی و جمعکننده تخت خورشیدی دومنظوره، با استفاده از شبکه عصبی مصنوعی پیشبینی شده است. در گلخانه مورد آزمایش، گرمای مورد نیاز در شب، به وسیله حرارت ذخیره شده بهوسیله سامانه خورشیدی در طول روز و یک گرمکن کمکی تأمین میگردید. حرکت سیال درون مجموعه متمرکزکننده بهوسیله پمپ و در جمعکننده تخت، بهصورت ترموسیفون بود. از شبکه عصبی پرسپترون چند لایه با روش یادگیری پس‌انتشار خطا به منظور پیش‌بینی مصرف انرژی ذخیره شده در روز به وسیله سامانه گرمایش خورشیدی، مصرف انرژی گرمکن کمکی و دمای مخزن ذخیره حرارت استفاده شد. ورودی‌های شبکه شامل شدت تابش خورشید، دمای محیط، سرعت باد، دمای سطح، دمای گلخانه، دبی سیال حامل و زمان بودند. حدود 80 درصد از مجموع دادهها به منظور آموزش، 10 درصد آزمایش و 10 درصد اعتبارسنجی مورد استفاده قرار گرفتند. برای ارزیابی عملکرد شبکه از پارامترهای ضریب تبیین (R²) و میانگین مربعات خطا (MSE) استفاده شد. ساختار شبکه 1-15-7 با R² و MSE به ترتیب برابر با 98/0 و 00017/0 بهترین نتیجه را برای پیش‌بینی مصرف انرژی از حرارت ذخیره شده توسط سامانه خورشیدی نشان داد. ساختار 1-10-10-7 با R² و MSE به ترتیب برابر با 99/0 و 00014/0 و ساختار 1-15-5-7 با R² و MSE به ترتیب برابر با 98/0 و 00011/0 بهترین نتیجه را به ترتیب برای پیش‌بینی مصرف انرژی گرمکن کمکی و دمای مخزن ذخیره حرارت ارائه کردند. In this study, the performance of a solar greenhouse heating system equipped with a linear parabolic concentrator and a dual-purpose flat plate solar collector&rlm; was investigated using the Artificial Neural Network (ANN) method. The heat required for the greenhouse at night hours was supplied by the heat stored in the storage tank by the solar system during the sunshine time and  an auxiliary heater. A water pump was used to make a forced-flow through the concentrator assembly. While, a natural water flow occurred in the flat plate collector. ANN method was used to predict  the tank temperature and energy consumption from the heat storage tank and by the auxiliary heater. Network inputs were solar radiation intensity, ambient temperature, wind speed, collector surface temperature, greenhouse temperature, flow rate and time. About 80% of total data were used for training, 10% for testing and 10% for validation. The results indicated that the network topology of 7-15-1 with R² and MSE of respectively 0.98 and 0.00017 presented the best results for prediction of energy consumption from the tank. While the most suitable description for variations of energy consumption by the auxiliary heater and from storage tank was given by the network topologies&rlm; of 7-10-10-1 (with R² of 0.99 and MSE of 0.00014) and 7-5-15-1 (with R² 0.98 of MSE  of 0.00011), respectively. دمای مخزن, شبکه عصبی مصنوعی, گلخانه, مصرف انرژی Artificial neural network, energy consumption, greenhouse, tank temperature 5 22 http://necjournals.ir/browse.php?a_code=A-10-1105-2&slc_lang=fa&sid=1 Mohammad Jafari محمد جعفری mohamadjafari66@gmail.com 10031947532846004609 10031947532846004609 No دانشگاه شهید باهنر کرمان Hamid Mortezapour حمید مرتضی پور h.mortezapour@uk.ac.ir 10031947532846004610 10031947532846004610 Yes دانشگاه شهید باهنر کرمان Kazem Jafari Naeimi کاظم جعفری نعیمی jafarinaeimi@uk.ac.ir 10031947532846004611 10031947532846004611 No دانشگاه شهید باهنر کرمان Mohammad Mahdi Maharlouee محمد مهدی مهارلوئی reza1680@yahoo.com 10031947532846004612 10031947532846004612 No دانشگاه شهید باهنر کرمان