SavedAdd your journal

Journals / Fırat Üniversitesi Mühendislik Bilimleri Dergisi / 2018 / Cilt: 30 - Sayı: 1

Sabit ve Hareketli Hava ile Isıtılan Güneş Kolektörlerinin Isıl Verimliliklerinin Karşılaştırılması ve Yapay Sinir Ağları ile Modellenmesi

Mehmet DAŞ
Ebru AKPINAR
Pages
41–46
Publication Date
2018-03-01
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yapay sinir ağı modelinin, sabit HIGK ve hareketli HIGK’lerinin ısıl verimlerini başarıyla tahmin ettiği belirlenmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, sabit ve hareketli hava ısıtmalı güneş kollektörleri (HIGK) kullanılmıştır.
📊
Key Findings & Data:Yapılan ölçümlere dayalı olarak her iki güneş kollektörlerinin ısıl verimleri hesaplanmıştır.
💡
Conclusion & Impact:Yapay sinir ağı modelinin, sabit HIGK ve hareketli HIGK’lerinin ısıl verimlerini başarıyla tahmin ettiği belirlenmiştir.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Güneş Takip Sistemi · Güneş Kollektörü · Isıl Verim

Özet

Bu çalışmada, sabit ve hareketli hava ısıtmalı güneş kollektörleri (HIGK) kullanılmıştır. Hareketli ve sabit güneş kolektörünün ısıl performansları deneysel olarak araştırılmıştır. Deneylerde, güneş kollektörlerinin giriş ve çıkış hava sıcaklıkları, radyasyon, hava hızı, emici plaka sıcaklıkları, toplayıcıların dış yüzey sıcaklıkları ve şeffaf örtü sıcaklıkları ölçülmüştür. Yapılan ölçümlere dayalı olarak her iki güneş kollektörlerinin ısıl verimleri hesaplanmıştır. Deneysel verilerle hesaplanan ısıl verim için yapay sinir ağı (YSA) modeli oluşturulmuştur. YSA modeli ile ısıl verim değerleri tahmin edilmiştir. Sonuç olarak deneysel ve tahmin edilen ısıl verimler karşılaştırılmış, HIGK’nin daha verimli çalıştığı tespit edilmiştir. Yapay sinir ağı modelinin, sabit HIGK ve hareketli HIGK’lerinin ısıl verimlerini başarıyla tahmin ettiği belirlenmiştir. Bu çalışmada, sabit ve hareketli hava ısıtmalı güneş kollektörleri (HIGK) kullanılmıştır. Hareketli ve sabit güneş kolektörünün ısıl performansları deneysel olarak araştırılmıştır. Deneylerde, güneş kollektörlerinin giriş ve çıkış hava sıcaklıkları, radyasyon, hava hızı, emici plaka sıcaklıkları, toplayıcıların dış yüzey sıcaklıkları ve şeffaf örtü sıcaklıkları ölçülmüştür. Yapılan ölçümlere dayalı olarak her iki güneş kollektörlerinin ısıl verimleri hesaplanmıştır. Deneysel verilerle hesaplanan ısıl verim için yapay sinir ağı (YSA) modeli oluşturulmuştur. YSA modeli ile ısıl verim değerleri tahmin edilmiştir. Sonuç olarak deneysel ve tahmin edilen ısıl verimler karşılaştırılmış, HIGK’nin daha verimli çalıştığı tespit edilmiştir. Yapay sinir ağı modelinin, sabit HIGK ve hareketli HIGK’lerinin ısıl verimlerini başarıyla tahmin ettiği belirlenmiştir.

🔖

Cite This Article

DAŞ, M., AKPINAR, E. (2018). Sabit ve Hareketli Hava ile Isıtılan Güneş Kolektörlerinin Isıl Verimliliklerinin Karşılaştırılması ve Yapay Sinir Ağları ile Modellenmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 30 - Sayı: 1, 41–46. https://ajindex.com/articles/244013

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Keçel S. (2007). Türkiye’nin değişik bölgelerinde evsel elektrik ihtiyacının güneş panelleri ile karşılanmasına yönelik model geliştirilmesi. Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Ankara
  2. Altınbaş V., Akgül B.M., Abuşka M. (2015). Yutucu plaka üzerine konik yayların yerleştirildiği güneş enerjili hava kollektörünün ısıl verim analizi ve yapay sinir ağları ile modellenmesi. Termodinamik Sempozyumu, 12, 1807-1816 3. Demirtaş, M. (2006). Bilgisayar kontrollü güneş takip sisteminin tasarımı ve uygulaması. Politeknik Dergisi, 9, 247-253
  3. İşcan, S., Özcan, Z. O., Gürleyen, Ş., Karayel, R. (2012). Güneş takip sistemi. Proje Tabanlı Mekatronik Eğitim Çalıştayı, Çankırı-Ilgaz-Turkey
  4. Seme, S. and Štumberger, G. (2012). A novel prediction algorithm for solar angles using solar radiation and Differential Evolution for dual-axis sun tracking purposes. Solar Energy, 85, 2757-2770
  5. Kırbaş, İ., Aydoğan, B., Uyumaz, A. (2013). Hava ısıtmalı güneş kollektörlerinde güneş takip mekanizması kullanımı. Mehmet Akif Ersoy Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 4, 74-84
  6. Şevik S., Aktaş M., Özdemir B. (2014). Güneş destekli ısı pompalı bir kurutucuda mantarın kuruma davranışlarının yapay sinir ağı kullanılarak modellenmesi. Journal Of Agrıcultural Scıences, 20, 187-202
  7. Ertürk S., Ertürk K. (2006). Havuç kuruma kinetiğinin tahmininde regresyon analizi ve yapay sinir ağlarının kıyaslanması. Türkiye, 9, 819-822
  8. Özdemir, M. B., Aktaş, M., Şevik, S., & Khanlari, A. (2017). Modeling of a convective-infrared kiwifruit drying process. International Journal of Hydrogen Energy, 28, 18005-18013
  9. Teti, R., Jemielniak, K., O'Donnell, G., Dornfeld, D. (2010).Advanced monitoring of machining operations. Cirp Annals-Manufacturing Technology, 59,717-739
  10. T. Findik, Ş. Taşdemir and I. Şahin. (2010). The use of artificial neural network for prediction of grain size of 17-4 pH stainless steel powders. Sci. Research and Essays, 5, 11, 1274-1283.