Ağaç Tabanlı ve Klasik Regresyon Modelleri Kullanılarak Temel PVT Parametrelerinin Makine Öğrenmesine Dayalı Tahmini

Le résumé fourni par la source

Küresel nüfusun sürekli artmasıyla birlikte enerji talebi hızla artmaktadır ve bu talep hala sınırlı rezervlere sahip fosil yakıtlarla karşılanmaktadır. Ancak fosil yakıtların çevresel etkileri sürdürülebilirlik açısından büyük zorluklar yaratmaktadır. Bu nedenle, enerji tüketimini azaltmak ve yenilenebilir enerji kaynaklarını teşvik etmek büyük önem taşımaktadır. Bunlar arasında güneş enerjisi, tükenmez ve çevre dostu bir kaynak olarak öne çıkmıştır. Aynı anda ısı ve elektrik üretebilen fotovoltaik-termal (PVT) paneller, iklimlendirme, ısıtma, soğutma ve kurutma gibi uygulamalar için önemli bir araştırma konusu olmuştur. PVT sistemlerinin etkili bir şekilde analiz edilebilmesi için doğru modelleme çok önemlidir. Bu çalışmada, PVT kolektörlerinin iki temel çıktı parametresi olan yüzey sıcaklığı (Ts) ve sıvı çıkış sıcaklığı (To) modellenmiş ve modellerin başarımı regresyon performans ölçütleri üzerinden değerlendirilmiştir. COMSOL Multiphysics’te sonlu elemanlar analizi ile oluşturulan bir veri seti, Python’da Karar Ağacı (KA), Rastgele Orman (RO), Hafif Gradyan Güçlendirme Makinesi (HGGM) ve Aşırı Gradyan Güçlendirme (AGG) gibi makine öğrenmesi modellerini geliştirmek için kullanılmıştır. Ek olarak, doğrusal regresyon modeli bir temel olarak kullanılmıştır. Tüm modeller yüksek tahmin doğruluğu elde etmiş olup, AGG en iyi performansı göstermiştir (Ts için R2=0.9998, RMSE=0.16, MAE=0.12; To için R2=0.9997, RMSE=0.19, MAE=0.12).

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.