شبیه‌سازی گرمایش غیر فعال دیوار خورشیدی و پیش‌بینی دما با شبکه عصبی مصنوعی و مدل تطبیقی عصبی – فازی (انفیس)

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.

Simulation of passive heating solar wall and prediction the temperature by Artificial Neural Networks and Adaptive Neuro Fuzzy model (ANFIS)

In this paper, the interior air of the room heated by the solar wall (Trombe) with respect to Heat conduction in the wall is numerically simulated. Momentum and energy equations have been Algebraic with finite volume method and at the same time are solved with SIMPLE algorithm. First, a reference model is introduced and the results are presented and then with this reference model, the effective parameters on the performance of the wall were investigated and ultimately the most optimal geometry for the solar wall with the best performance was voted.As well, rectangular fins has been put on the surface of the absorbent wall, in order to increase its efficiency. The results show that solar wall with rectangular fins in all air gaps has better performance than plain wall and for example, with rectangular fins in the air gap equal to 1 m, room temperature is approximately 1.24% more than the simple Trombe wall. Then, using Artificial Neural Networks and ANFIS the values increase of room temperature by increasing the number of fins has been projected on the wall. The neural network was trained in such a way that the average temperature of the room depends on the number of fins on the surface of the absorbent the solar wall. The results compare mean squared error and rootmeansquare error showed that ANFIS With the mean squared error equal to 0.742599 has good performance and acceptable accuracy compared with Neural Network With the mean squared error equal 1.1 to predict temperature.