SABİT VE HAREKETLİ TİP GÜNEŞ KOLEKTÖRLERİNİN PERFORMANSLARININ MAKİNE ÖĞRENMESİ ALGORİTMALARIYLA MODELLENMESİ

Abstract

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.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.