%0 Journal Article %A Jamadi, Farnaz %T Experimental Study of the Effect of Environmental Parameters on a Solar Parabolic Water Heater Efficiency using Neural Network in Sirjan %J Modares Mechanical Engineering %V 16 %N 9 %U http://mme.modares.ac.ir/article-15-6249-fa.html %R %D 2016 %K Solar water heater system, Efficiency, Neural Network, Parabolic trough collector, Solar radiation, %X در مطالعه حاضر پس از ساخت و راه اندازی یک آبگرمکن سهموی خورشیدی با استفاده از شبکه عصبی مصنوعی مدلی کارآمد برای پیش‌بینی راندمان آبگرمکن پیشنهاد می‌شود. شبکه عصبی دارای توانایی برقراری ارتباط منطقی میان پارامترهای ورودی و هدف است. زمانی که شرایط برای اندازه‌گیری داده‌ها مطلوب است، راندمان به عنوان تابعی از پارامترهای ورودی‌ شبکه آموزش می‌یابد و از تابع آموزش یافته شبکه می‌توان برای پیش‌بینی راندمان سیستم خورشیدی استفاده کرد. داده های مورد استفاده شبکه عصبی با انجام آزمایش‌هایی روی کلکتور سهموی خطی، در چهار روز از خرداد ماه اندازه گیری شده است. متغیرهایی همچون تابش خورشید، دمای محیط، زمان و دمای سیال خروجی به عنوان ورودی‌های شبکه و راندمان آبگرمکن سهموی به عنوان خروجی‌ شبکه در نظر گرفته شده است. مدل‌های مختلفی از شبکه عصبی با در نظر گرفتن تعداد متفاوتی از متغیرهای ورودی و نورون‌ها ارائه شده است. با افزایش پارامترهای ورودی خطای میانگین مربعی کاهش و دقت مدل افزایش می‌یابد. بنابراین در میان تمام مدل‌ها، مدل 6 با ساختار 1-10-4 (که شامل تمام پارامترهای ورودی است) با خطای جذر میانگین مربعی 0.0061 و ضریب همبستگی 0.99995 برای داده های آموزش دقیق‌ترین مدل است. با توجه به امکان پذیر نبودن انجام آزمایش‌های تجربی در شرایط مشابه، مدل ارائه شده می‌تواند با صرفه‌جویی هزینه و کاهش زمان تحقیقات در پیش‌بینی راندمان آبگرمکن مورد مطالعه موثر واقع شود. %> http://mme.modares.ac.ir/article-15-6249-fa.pdf %P 437-448 %& 437 %! Experimental Study of a Parabolic Solar Collector Water Heater using Neural Network in Sirjan %9 %L A-15-1000-4821 %+ Sirjan University of Technology %G eng %@ 1027-5940 %[ 2016