Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Αξιοποίηση τεχνητών νευρωνικών δικτύων για την εκτίμηση της απόδοσης ενός συστήματος αντλιών θερμότητας εντός μιας πτηνοτροφικής εγκατάστασης

Chachalis Alexandros

Πλήρης Εγγραφή

---

Περίληψη

Στα πλαίσια της παρούσας διπλωματικής εργασίας , αξιοποιούνται και εκπαιδεύονται τεχνητά νευρωνικά δίκτυα (ΤΝΔ) για την εκτίμηση του συντελεστή απόδοσης (COP) του συστήματος αντλιών θερμότητας εντός μιας πτηνοτροφικής εγκατάστασης . Το σύστημα αντλιών θερμότητας αξιοποιείται για την κάλυψη των θερμικών αναγκών της πτηνοτροφικής εγκατάστασης που στεγάζει 10000 νεαρά πουλερικά (broilers) στην περιοχή της Καβάλας.Τα σχεδιαζόμενα τεχνητά νευρωνικά δίκτυα προσομοιώνουν τον συντελεστή απόδοσης (COP) της αντλίας θερμότητας που χρησιμοποιείται σε κάθε περίπτωση για θέρμανση, ψύξη και αφύγρανση. Ο σχεδιασμός των ΤΝΔ ξεκινά χρησιμοποιώντας τα δεδομένα που λήφθηκαν από τους Tyris et.al ,2023 ,οι οποίοι σχεδίασαν και μελέτησαν το σύστημα αντλιών θερμότητας , και περιλαμβάνουν τιμές για την εσωτερική θερμοκρασία και σχετική υγρασία εντός της εγκατάστασης , το θερμικό φορτίο των ζώων καθώς και τις τιμές του COP που υπολόγισε το δυναμικό μοντέλο τους. Αρχικά, δημιουργήθηκαν ο πίνακας εισόδου και το διάνυσμα στόχου , τα οποία αξιοποιεί το ΤΝΔ για την εκπαίδευση του. Ο πίνακας εισόδου αποτελείται από τα δεδομένα εσωτερικής θερμοκρασίας και σχετικής υγρασίας εντός της εγκατάστασης καθώς και το θερμικό φορτίο των ζώων. Επιπλέον, για την ταχύτερη σύγκλιση του ΤΝΔ πραγματοποιήθηκε προεπεξεργασία με κανονικοποίηση των δεδομένων εισόδου με την μέθοδο Z-score standardization. Το διάνυσμα στόχου, περιέχει τις προσομοιωμένες τιμές του συντελεστή απόδοσης που εκτίμησε το δυναμικό μοντέλο των Tyris et.al ,2023. Τα παραπάνω δεδομένα βάσει των οποίων εκπαιδεύονται τα ΤΝΔ αφορούν τις περιόδους (διάρκειας 35 ημερών) του χειμώνα (1/1- 5/2) και του καλοκαιριού (31/5-5/7) και περιλαμβάνουν για κάθε περίοδο 50400 τιμές καθώς το χρονικό βήμα μεταξύ μετρήσεων-δεδομένων είναι 1 λεπτό.Ολοκληρώνοντας την προεπεξεργασία των δεδομένων εισόδου, πραγματοποιήθηκε η εκπαίδευση των ΤΝΔ με το εργαλείο Neural Fitting Tool (nftool) της Matlab και ο αλγόριθμος εκπαίδευσης που χρησιμοποιήθηκε ήταν ο Levenberg-Marquardt (LMA). Η εκπαίδευση των ΤΝΔ έλαβε χώρα για διαφορετικές παραμέτρους σε κάθε δοκιμή/προσομοίωση αυξάνοντας των αριθμός των κρυφών κόμβων ή αλλάζοντας τα ποσοστά εκπαίδευσης.Στόχος της εκπαίδευσης των νευρωνικών δικτύων είναι η εύρεση του μοντέλου και των παραμέτρων του που δίνουν τα βέλτιστα αποτελέσματα με κριτήρια επιλογής αυτών την τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (RMSE) και τον συντελεστή συσχέτισης(R) . Συγκεκριμένα, είναι επιθυμητό το RMSE να είναι το ελάχιστο ενώ το R το μέγιστο μεταξύ των επιλεγμένων κρυφών κόμβων και ποσοστών εκπαίδευσης.Στην συγκεκριμένη διπλωματική εργασία τα ΤΝΔ εκπαιδεύονται για την λειτουργία του συστήματος αντλιών θερμότητας κατά τις περιόδους του χειμώνα και του καλοκαιριού όπου λειτουργεί η θέρμανση και η ψύξη αντίστοιχα ενώ σε αμφότερες τις περιόδους χρησιμοποιείται και η αφύγρανση.Από τα διαγράμματα διασποράς εξάγεται το συμπέρασμα ότι τα νευρωνικά δίκτυα δεν μπορούν να εκτιμήσουν κάποιες μεμονωμένες τιμές (outliers) χωρίς όμως αυτό να επηρεάζει τις τιμές του συντελεστή συσχέτισης. Συνολικά , ο αλγόριθμος Levenberg-Marquardt παρουσίασε πολύ ικανοποιητικά αποτελέσματα ,για όλες τις περιόδους και θερμικές λειτουργίες, παρουσιάζοντας τιμές της τάξεως (10)^(-2) και 0.999 για σφάλματα RMSE και συντελεστή συσχέτισης , αντίστοιχα.

Διαθέσιμα αρχεία

Υπηρεσίες