Farklı Tip Güneş Kollektörlerinin Isıl Verim Değerlerinin Hesapsal Zekâ Yöntemleriyle Tahmin Edilmesi

Year 2018, Volume: 3 Issue: 2, 43 - 48, 28.10.2018

Mehmet Daş , Ebru Kavak Akpınar

Abstract

Bu
çalışmada güneş takip özelliğine sahip bir hava ısıtmalı güneş kollektörü
(HIGK) ile azimut açısına göre sabitlenmiş hava ısıtmalı güneş kollektörü
kullanılmıştır. Hareketli ve sabit olan HIGK’nin ısıl performansları deneysel
olarak incelenmiştir. Havanın kollektörlere giriş ve çıkış sıcaklıkları,
ışınım, kollektör yüzey sıcaklığı ve havanın kollektörlerden çıkış hızı
ölçülmüştür. Yapılan ölçümlere dayalı olarak her iki kollektörün ısıl verimleri
hesaplanmıştır. Elde edilen deneysel ısıl verim değerleri için lineer regresyon
ve karar ağacı regresyon kullanılarak 2 farklı tahminsel model elde edilmiştir.
Elde edilen deneysel ısıl verimler karşılaştırılmış, güneş takip özelliğine
sahip HIGK’nin daha verimli çalıştığı tespit edilmiştir. Sonuç olarak elde
edilen 2 farklı tahminsel modelin hata oranları karşılaştırılmış ve lineer
regresyonun daha az hatalı bir tahminsel model oluşturduğu gösterilmiştir.

Keywords

Güneş Takip Sistemi, Güneş Kollektörü, Isıl Verim, Regresyon

Estimation of Thermal Efficiency Values of Different Type Solar Collectors by Using Computational Intelligence Methods

Abstract

In this study, an
air heated solar collector (AHSC) with solar tracking feature and an air heated
solar collector fixed with azimuth angle were used. The thermal performances of
the moving and stationary AHSC have been experimentally investigated. The inlet
and outlet temperatures of the air, the solar radiation, collector surface
temperatures and the exit velocity of the air from the collectors are measured.
The thermal efficiencies of both collectors were calculated based on the
measurements made. Two different predictive models were obtained by linear
regression and decision tree regression for the obtained experimental thermal
efficiency values. The obtained experimental thermal efficiencies were compared
and it was found that the AHSC with solar tracking function works more
efficiently. As a result, the error rates of the two predictive models obtained
are compared and linear regression has been shown to produce a less faulty
predictive model.

Keywords

Solar Tracking System, Solar Collector, Thermal Efficiency, Regression

References

• Sahin, A. D., A Review of Research and Development of Wind Energy in Turkey, Clean-Soil, Air, Water 36, 734-742, 2008.
• Bilgili, M., Sahin, B. ve Yasar, A. Application of Artificial Neural Networks for the Wind Speed Prediction of Target Station Using Reference Stations Data, Renewable Energy 32, 2350-2360, 2007.
• Eroğlu Y., Seçkiner S.U. Performance analysis in wind farms by data envelopment analysis and Malmquist Index approaches. Pamukkale Univ. J. Eng. Sci., 23(1), 45-54, 2017.
• Demirtaş, M. Bilgisayar kontrollü güneş takip sisteminin tasarımı ve uygulaması. Politeknik Dergisi, 9, 247-253. 2006.
• İşcan, S., Özcan, Z. O., Gürleyen, Ş., Karayel, R. Güneş takip sistemi. Proje Tabanlı Mekatronik Eğitim Çalıştayı, Çankırı-Ilgaz-Turkey. 2012.
• Seme, S. and Štumberger, G., A novel prediction algorithm for solar angles using solar radiation and Differential Evolution for dual-axis sun tracking purposes. Solar Energy, 85, 2757-2770, 2012.
• Kırbaş, İ., Aydoğan, B., Uyumaz, A. Hava ısıtmalı güneş kollektörlerinde güneş takip mekanizması kullanımı. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4, 74-84, 2013.
• Çerçi, K. N., Akpinar, E. K. Güneş Altinda Kurutma Prosesinde Biberin Konvektif Isi Transfer Katsayisinin Belirlenmesi. Teskon , İzmir, 1659-1665, 2015.
• Ertürk S., Ertürk K. Havuç kuruma kinetiğinin tahmininde regresyon analizi ve yapay sinir ağlarının kıyaslanması. Türkiye, 9, 819-822. 2006.
• Alpar R. Basit Doğrusal Regresyon Çözümlemesi, Detay Yayıncılık, Ankara, 285-304, 2010.
• Kirkwood BR, Sterne JAC. Regression Modelling. Medical Statistics. Blackwell Science. Australia, 315-342, 2003.
• Pagano M, Gauvreau K. Simple Linear Regression. Principles of Biostatistics. Duxbury Press, USA, 379-424, 1993.
• Safavian S.R., Landgrebe D., “A survey of decision tree classifier methodology”, IEEE Transactions on Systems Man and Cybernetics, 21, 660-674, 1991.
• Quinlan J.R., “C4.5: Programs for Machine Learning”, Morgan Kaufmann, San Mateo, CA, 302 s, 1993.
• Pal M., Mather P.M., “An assessment of the effectiveness of decision tree methods for land cover classification”, Remote Sensing of Environment, 86, 554-565, 2003.