Geri Dön

Parabolik oluk tipi güneş kolektörünün analizi ve yararlı ısı tahmini için hibrit bir makine öğrenmesi çerçevesi: Yığınlanmış aşırı öğrenme makinesi-rastgele orman (SELM-RF)modelleri ile tahminlenmesi

Analysis of parabolic trough solar collectors and a hybrid machine learning framework for useful heat gain prediction: stacked extreme learning machine-random forest (SELM-RF)

PDF İndir

  1. Tez No: 995031
  2. Yazar: FERİT SEVEN
  3. Danışmanlar: DOÇ. DR. RASIM ÇEKİK, DR. ÖĞR. ÜYESİ ERHAN KIRTEPE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Enerji, Computer Engineering and Computer Science and Control, Energy
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Şırnak Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilimi ve Teknolojileri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Artan enerji talebi, fosil yakıtların sınırlılığı ve çevresel etkiler, yenilenebilir enerji uygulamalarının önemini artırmaktadır. Bu bağlamda, yüksek ısıl verim ve büyük ölçekli uygulamalara uygunluğu nedeniyle Parabolik Oluk Tipi Güneş Kolektörleri (POTGK) yaygın olarak kullanılmaktadır. Ancak POTGK'nin performansı; yararlı ısı kazancı (Qu), güneş ışınımı, akışkan sıcaklıkları ve debi gibi değişkenler arasındaki güçlü doğrusal olmayan etkileşimlere bağlı olduğundan, geleneksel fizik tabanlı modeller pratik uygulamalarda yeterli doğruluk sağlayamamaktadır. Bu nedenle sistem davranışının hem fiziksel hem de veri odaklı yaklaşımlarla bütüncül olarak analiz edilmesi gerekmektedir. Bu tezde, POTGK'nin ısıl performansının fiziksel analizi ile Qu'nın yüksek doğrulukla tahmini birlikte ele alınmıştır. İlk aşamada LS‑2 tipi bir POTGK için ayrıntılı bir ısıl analiz gerçekleştirilmiş, kolektörün enerji dengesi optik verim, ısıl kayıplar (iletim, taşınım, ışınım) ve akışkan özellikleri dikkate alınarak modellenmiştir. Bu matematiksel temelli modelleme süreci, kolektörün çalışma prensiplerinin anlaşılması, Qu üzerindeki etkili parametrelerin belirlenmesi ve veri odaklı öğrenme kısmı için anlamlı özelliklerin elde edilmesi açısından temel oluşturmuştur. Matematiksel analizle elde edilen bilgiler ışığında, POTGK'nin Qu'nın yüksek doğruluk ve kararlılıkla tahmin edilmesi amacıyla Yığılmış Aşırı Öğrenme Makinesi–Rastgele Orman (Stacked Extreme Learning Machine–Random Forest (SELM‑RF)) adında yeni bir hibrit makine öğrenmesi çerçevesi önerilmektedir. Önerilen mimari, ELM'in hızlı analitik öğrenme yeteneğini RF'in topluluk yapısının sağladığı yüksek genelleme kapasitesiyle birleştiren ardışık bir yığma mimarisine sahiptir. İlk aşamada Aşırı Öğrenme Makinesi (Extreme Learning Machine (ELM)) tarafından üretilen meta-özellikler, giriş uzayını zenginleştirerek nihai tahminin yapılacağı Rasgele Orman (Random Forest (RF)) modeline aktarılmaktadır. Böylece düşük yanlılık korunurken varyans azaltımı sağlanmakta, genel tahmin doğruluğu artırılmaktadır. Çalışmada, literatürde referans olarak kullanılan LS 2 tipi POTGK'ye ait yaklaşık 8.000 örnekten oluşan altı giriş parametreli veri seti kullanılmıştır. Önerilen SELM RF modeli, ELM, DELM, CSELM, SELM, Rastgele Orman, Gradient Boosting ve Karar Ağacı gibi yöntemlerle kapsamlı biçimde karşılaştırılmıştır. Beş farklı aktivasyon fonksiyonu ve dokuz farklı gizli nöron konfigürasyonu üzerinden gerçekleştirilen değerlendirmeler, modelin aktivasyon fonksiyonundan bağımsız olarak yüksek doğruluk ve güçlü kararlılık sergilediğini ortaya koymuştur. Model, LS 2 veri setinde MSE = 0.41 kW², RMSE = 0.64 kW ve R² = 0.992 değerlerine ulaşarak tüm karşılaştırmalı yöntemlerden üstün performans göstermiştir. Friedman ve Nemenyi testleri, SELM RF'nin tüm konfigürasyonlarda en iyi performansı sunduğunu ve bu farkın istatistiksel olarak anlamlı olduğunu (ortalama sıra = 1.31, p < 0.001) doğrulamaktadır. Ayrıca modelin < 50 ms tahmin süresi, gerçek zamanlı performans izleme ve kontrol uygulamaları için uygunluğunu desteklemektedir. Elde edilen bulgular, SELM RF hibrit yaklaşımının POTGK sistemlerinde yüksek doğruluklu, güvenilir ve hesaplama açısından verimli ısıl performans tahmini için güçlü bir çözüm sunduğunu göstermektedir.

Özet (Çeviri)

The increasing demand for energy, the limited availability of fossil fuels, and environmental impacts are increasing the importance of renewable energy applications. In this context, Parabolic Trough Solar Collectors (PTSCs) are widely used due to their high thermal efficiency and suitability for large-scale applications. However, since the performance of PTSCs depends on strong non-linear interactions between variables such as the useful heat gain (Qu), solar radiation, fluid temperatures, and flow rates, traditional physics-based models cannot provide sufficient accuracy in practical applications. Therefore, it is necessary to analyse system behaviour holistically using both physical and data-driven approaches. This thesis addresses both the physical analysis of the thermal performance of the PTSCs and the high-accuracy estimation of Qu. In the first stage, a detailed thermal analysis was performed for an LS-2 type PTSCs, and the energy balance of the collector was modelled considering optical efficiency, thermal losses (conduction, convection, radiation) and fluid properties. This mathematically based modelling process formed the basis for understanding the collector's operating principles, determining the parameters affecting Qu, and obtaining meaningful features for the data-driven learning part. In light of the information obtained through mathematical analysis, a new hybrid machine learning framework called Stacked Extreme Learning Machine–Random Forest (SELM‑RF) is proposed to predict Qu with high accuracy and stability. The proposed architecture has a sequential stacking architecture that combines the fast analytical learning capability of the Extreme Learning Machine (ELM) with the high generalisation capacity provided by the community structure of Random Forest (RF). In the first stage, the meta-features generated by the ELM enrich the input space and are transferred to the RF model, where the final prediction is made. This preserves low bias while reducing variance, thereby increasing overall prediction accuracy. The study utilised a dataset of approximately 8,000 examples from the LS 2 type PTSCs, which is referenced in the literature, with six input parameters. The proposed SELM RF model was comprehensively compared with methods such as ELM, DELM, CSELM, SELM, Random Forest, Gradient Boosting, and Decision Tree. Evaluations conducted across five different activation functions and nine different hidden neuron configurations revealed that the model exhibited high accuracy and robust stability independent of the activation function. The model achieved MSE = 0.41 kW², RMSE = 0.64 kW, and R² = 0.992 on the LS 2 dataset, demonstrating superior performance to all comparative methods. Friedman and Nemenyi tests confirm that SELM RF offers the best performance across all configurations and that this difference is statistically significant (mean rank = 1.31, p < 0.001). Furthermore, the model's prediction time of < 50 ms supports its suitability for real-time performance monitoring and control applications. The findings demonstrate that the SELM RF hybrid approach offers a robust solution for highly accurate, reliable, and computationally efficient thermal performance prediction in PTSCs systems.

Benzer Tezler

  1. Tez No

    598144

    Doğrudan absorpsiyon için nano akışkan kullanarak konsantre güneş kolektörünün performans analizi

    Performance analysis of concentrated solar collector using nano fluid direct absorption

    SALIM MADALLAH MOHAMMED MOHAMMED

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Makine MühendisliğiSelçuk Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. KEVSER DİNCER

  2. Tez No

    330654

    Parabolik oluk tipi güneş kollektörü ile enerji üretimi

    Energy production by parabolic trough solar collector

    CAN CİCİBIYIK

    Yüksek Lisans

    Türkçe

    Türkçe

    2012

    EnerjiGazi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. BEKİR ZÜHTÜ UYSAL

  3. Tez No

    505926

    Güneş enerjili absobsiyonlu soğutma sistemlerinin farklı soğutucu akışkan çiftleri için termodinamik analizi

    Thermodynamic analysis of solar assisted absorbtion refrigeration systems for different refrigerant couples

    HASAN YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    EnerjiSüleyman Demirel Üniversitesi

    Enerji Sistemleri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ÖNDER KIZILKAN

  4. Tez No

    133488

    Güneşi takip eden parabolik oluk tipi güneş kollektörlerinin matematiksel modellenmesi tasarımı ve teknik optimizasyonu

    Mathematical modelling design and technical optimization of sun tracking parabolic trough solar collectors

    LEVENT ÇOLAK

    Doktora

    Türkçe

    Türkçe

    2003

    Makine MühendisliğiGazi Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ DURMAZ

  5. Tez No

    720391

    Güneş enerjisi ile termal güç üretimi

    Thermal power generation with solar energy

    DOĞA ŞAHİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Kimya MühendisliğiGazi Üniversitesi

    Kimya Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖZKAN MURAT DOĞAN

Geri Dön