Geri Dön

Sabit ve hareketli tip güneş kolektörlerinin performanslarının makine öğrenmesi algoritmalarıyla modellenmesi

Modeling of performance of fixed and moving type air solar collectors with machine learning algorithms

PDF İndir

  1. Tez No: 672698
  2. Yazar: MELİK BUĞRA YEŞİL
  3. Danışmanlar: PROF. DR. EBRU AKPINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Makine Mühendisliği, Energy, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: Türkçe
  9. Üniversite: Fırat Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 60

Özet

Bu tez çalışmasında programlanabilir kontrol sistemi ile hareket özelliği kazandırılan havalı güneş kollektörü (HGK) ile aynı özellikte azimut açısına göre sabit HGK'nin ısıl performanslarını belirlemek için, (0.0232, 0.0322, 0.0386 kg/s) kütlesel debi değerlerinde Elazığ ili iklim şartlarında deneysel olarak test edilmiştir. Deneylerde ölçülen parametreler güneş ışınımı (I), kollektör çıkış hava hızı, kollektör çıkış, giriş, cam ve taban sıcaklıklarıdır. Deneysel veriler kullanılarak termodinamiğin I. ve II. kanunlarına göre enerji ve ekserji verim değerleri hesaplanmıştır. Hareketli HGK sisteminde (0.0232, 0.0322, 0.0386 kg/s) kütlesel debileri için ortalama enerji ve ekserji verimleri sırasıyla (%50.3, %64.5, %78.1), (%1.9, %2.28, %2.68) olarak hesaplanmıştır. Sabit HGK sisteminde (0.0232, 0.0322, 0.0386 kg/s) için ortalama enerji ve ekserji verimleri sırasıyla (%32.8, %43.43, %53.03), (%0.8, %0.96, %1.1) olarak hesaplanmıştır. Güneş ışınımının sürekli dik olarak gelmesi hareketli HGK sisteminin verimini arttırmıştır. Debi arttıkça enerji ve ekserji verimlerinin arttığı belirlenmiştir. Sabit HGK sisteminin hesaplanan ekserji verim sonuçlarını tahmin edebilmek için Yapay Sinir Ağı (YSA) ve Karar Ağacı (KA) makine öğrenmesi algoritmalarından faydalanılmıştır. Tahminsel modellerin geçerliliği için mutlak hata (MAE), kök ortalama kare hatası (RMSE), göreceli mutlak hata (RAE) ve kök göreceli mutlak hata (RRAE) istatiksel hata analizleri kullanılmıştır. Elde edilen tahminsel modellerin sonucunun, deneysel sonuçlara benzer olduğu gözlemlenmiştir. En az hata ile (RMSE 0.0564) tahminsel model oluşturan yöntem YSA algoritmasıdır.

Özet (Çeviri)

In this thesis study, in order to determine the thermal performances of the fixed and the moving (with programmable control system solar tracking feature) solar air collector (SAC) with same feature in (0.0232, 0.0322, 0.0386 kg/s) mass flow rate values in Elazig province climate conditions experimentally tested. The parameters measured in the experiments are solar radiation (I), collector outlet air velocity, collector outlet, inlet, glass and floor temperatures. Energy and exergy efficiency values were calculated using experimental data according to the I. and II. laws of thermodynamics. In the moving SAC system, the mean energy and exergy efficiencies for mass flow rates (0.0232, 0.0322, 0.0386 kg / s) were calculated as (%50.3, %64.5, %78.1), (%1.9, %2.28, %2.68), respectively. The mean energy and exergy efficiencies for the fixed SAC system (0.0232, 0.0322, 0.0386 kg/s) were calculated as (%32.8%, %43.43%, %53.03%), (%0.8, %0.96, %1.1), respectively. The continuous vertical solar radiation has increased the efficiency of the moving SAC system. It has been determined that as the flow rate increases, energy and exergy efficiency increases. Artificial Neural Network (ANN) and Decision Tree (DT) machine learning algorithms were used to estimate the calculated exergy yield results of the fixed SAC system. Statistical error analyzes such as absolute error (MAE), root mean square error (RMSE), relative absolute error (RAE) and root relative absolute error (RRAE) were used for the validity of the predictive models. It has been observed that the results of predictive models obtained by machine algorithms are similar to experimental results. The method that creates the predictive model with the least error (RMSE 0.0564) is the ANN algorithm.

Benzer Tezler

  1. Tez No

    507718

    Numerical investigation and thermal analysis of solar cavity receiver

    Güneş ışını alıcı kabının sayısal incelenmesi ve ısıl analizi

    SELİN BİLMEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Enerjiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET CİHAT BAYTAŞ

  2. Tez No

    698097

    Fresnel tipi bir güneş kollektörünün termal modellemesi

    Thermal modelling of a fresnel-type solar collector

    MUHAMMED ŞAFAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    EnerjiHarran Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET AZMİ AKTACİR

  3. Tez No

    641733

    Hareketli güneş enerji modülünün yapısal tasarımı

    Structural design of solar tracking system

    ONUR KODAK

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    EnerjiEge Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AYHAN NUHOĞLU

  4. Tez No

    553974

    Enerji kaynağı olarak doğal gaz kullanımı ve doğal gaz kullanımına yönelik depolama sistemlerinin incelenmesi

    Natural gas use as an energy source and investigation of storage systems for natural gas

    KASIM ÖNDER

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. TURGUT GÜLMEZ

  5. Tez No

    101188

    Binek otomobillerde otomatik şanzıman konstrüksiyonu

    Automatic transmission design for passenger cars

    OĞUZHAN AVDAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2000

    Makine Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SAİT YÜCENUR

Geri Dön