دوره 18، شماره 2 - ( 2-1397 )                   جلد 18 شماره 2 صفحات 169-159 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Jahanbakhshi A, Ahmadi Nadooshan A. Simulation of passive heating solar wall and prediction the temperature by Artificial Neural Networks and Adaptive Neuro-Fuzzy model (ANFIS). Modares Mechanical Engineering 2018; 18 (2) :159-169
URL: http://mme.modares.ac.ir/article-15-8473-fa.html
جهانبخشی اکرم، احمدی ندوشن افشین. شبیه‌سازی گرمایش غیر فعال دیوار خورشیدی و پیش‌بینی دما با شبکه عصبی مصنوعی و مدل تطبیقی عصبی – فازی (انفیس). مهندسی مکانیک مدرس. 1397; 18 (2) :159-169

URL: http://mme.modares.ac.ir/article-15-8473-fa.html


1- کارشناسی ارشد، مهندسی مکانیک، دانشگاه شهرکرد، شهرکرد
2- دانشیار گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه شهرکرد، شهرکرد
چکیده:   (4071 مشاهده)
در این مقاله، گرمایش هوا در فضای داخلی اتاق توسط دیوار خورشیدی (ترومب) با در نظر گرفتن هدایت حرارتی این دیوار، به صورت عددی شبیه‌‌سازی شده است. معادلات مومنتوم و انرژی به روش حجم کنترل جبری شده‌اند و به کمک الگوریتم سیمپل به صورت همزمان حل می‌شوند. در ابتدا یک مدل مرجع معرفی و نتایج آن ارائه شده است و سپس با استفاده از این مدل مرجع، پارامتر‌های موثر بر کارایی دیوار بررسی شده و در نهایت بهینه‌ترین هندسه برای داشتن دیوار خورشیدی با بهترین عملکرد انتخاب شده است. همچنین جهت افزایش کارآیی، فین‌هایی مستطیل شکل بر روی سطح جاذب دیوار قرار گرفته است. نتایج حاصل شده نشان می‌دهد دیوار خورشیدی با فین مستطیلی در تمامی فواصل هوایی بهتر از دیوار ساده عمل می‌کند و به طور نمونه در فاصله هوایی برابر 1 متر، دمای اتاق با وجود فین‌های مستطیلی تقریبا1.24 درصد بیشتر از دیوار ترومب ساده است. در ادامه با استفاده از شبکه عصبی مصنوعی و انفیس میزان افزایش دمای اتاق با افزایش تعداد فین‌ها روی دیوار پیش‌‌بینی شده است. شبکه عصبی به گونه‌ای آموزش داده شد که بتواند دمای میانگین اتاق را به تعداد فین‌های روی سطح جاذب دیوار خورشیدی وابسته سازد. نتایج به دست آمده و مقایسه مقادیر مربع میانگین خطای استاندارد و مربع مجذور میانگین خطا نشان داد مدل انفیس با مقدار مربع میانگین خطای استاندارد برابر 0.742599 نسبت به شبکه عصبی با مقدار مربع میانگین خطای استاندارد برابر 1.1 در پیش‌بینی دما کارآیی مناسب‌تری دارد.
متن کامل [PDF 2184 kb]   (2748 دریافت)    
نوع مقاله: مقاله پژوهشی کامل | موضوع مقاله: انرژی خورشیدی و تشعشع
دریافت: 1396/9/9 | پذیرش: 1396/10/19 | انتشار: 1396/11/5

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.