没有合适的资源?快使用搜索试试~ 我知道了~
农业中的人工智能5(2021)185平板太阳能集热器中由于阴影引起的能量增益降低的建模;人工智能Morteza TakiMr.,Rouhollah Farhadi胡齐斯坦农业科学和自然资源大学农业机械和机械化工程系,P.O.邮箱:6341773637,Mollasani,伊朗a r t i c l e i nf o文章历史记录:收到2021年收到修订版,2021年7月10日接受,2021年2021年9月24日网上发售保留字:多层感知器优化能源敏感性分析a b s t r a c t太阳能集热器中吸收板的阴影会导致能量损失,从而降低太阳能增益。在一些研究中,数学模型被应用于计算由于平板太阳能集热器中的阴影而导致的能量增益减少。在这项研究中,人工神经网络方法被开发用于建模的能量增益减少。通过两种训练算法(LM和BR)和正切S形激活函数(TanSig),使用具有一个隐藏层和一系列神经元(5-在第一部分中,使用了六组太阳能集热器尺寸(1×1; 1×1.5; 1×2; 1.5×1.5; 1.5×2和2×2)。在第二部分中,所有尺寸范围都用作输入。第一部分的结果表明,采用BR训练算法的MLP可以在所有类别中以最小的MAPE和RMSE预测能量增益降低最佳结果与(1.5×1.5)尺寸相关,其MAPE为0.15 ± 0.09%,RMASE为4。42±2。43KJm−2y ear−1,respet i ve ly. 在这种情况下,与LM相比,BR是一种更好的训练算法。最佳拓扑(5-27-1)的MAPE和R2因子分别为0.0610±0.0051%和0.9999± 0.0001灵敏度分析结果表明,高度对平板太阳能集热器中由于阴影引起的总能量增益降低的影响最大最后,本文的研究结果表明,通过使用人工神经网络和减少能量损失,可以提高太阳能集热器的效率,在所有的应用,如工业和农业。版权所有© 2021作者。出版社:Elsevier B.V.我代表科爱通信公司,公司这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 我不想让你失望由于有限的资源、价格波动、环境污染等,化石燃料不是未来能源供应的良好来源(Fadaei等人,2018年)。因此,人类应该寻找另一种替代能源.太阳能由于其清洁和丰富而可被人类持续使用(Kalani等人,2017年)。在所有的太阳能系统中,太阳能收集器,特别是板式太阳能收集器被人们广泛用作用于加热空气和水的廉价且不昂贵的能量系统(Al-Waeli等人,2019年)。它们更容易制造,它们接受直接和间接辐射,不需要太阳能跟踪器(Kalogirou,2014)。 太阳能收集器可用于农业和工业。在农业中,温室将太阳能的使用从收获后扩展到作物生产(Taki等人,2018年a)。如今,温室无处不在,其设计种类繁多,为植物生长提供了广泛的改良太阳能还可用于农业中的太阳能水泵灌溉和咸水淡化(Farhadi和Taki,2020年)。太阳能烹饪利用了*通讯作者。电子邮件地址:mtaki@asnrukh.ac.ir(M. Taki)。太阳能在食品生产链中直接供应给最终用户。太阳能的更广泛的工业用途也往往与食品和饮料生产有关,因为在许多气候条件下,通过精心设计的太阳能热系统可以很容易地满足所诸如太阳能炉的非农业技术具有相当大的潜力,但迄今为止实际使用有限(Taki等人,2018年b)。平板太阳能集热器通常在吸收板上具有一层或两层透明玻璃,以减少由于对流空气对流而造成的损失(Duffi e和Beckman,2013)。该透明玻璃位于离吸收板一定距离处增加该距离可减少对流损失。但是,它会在吸收板上产生阴影,减少太阳的吸收辐射,最终降低性能(Farhadi和Taki,2020)。一些研究建议该距离为4至5 cm(Nahar和Garg,1980年)。最佳距离可以通过阴影估计来计算,这在Farhadi和Taki(2020)的先前研究中已经完成。在这项研究中,作者决定引入一种快速准确的方法来计算由于阴影而导致的平板太阳能集热器的能量增益减少,并使用人工智能(AI)。人工智能与真实神经系统的一些简单建模,被广泛应用于用于解决各种科学问题。AI应用范围https://doi.org/10.1016/j.aiia.2021.08.0022589-7217/© 2021作者。出版社:Elsevier B.V.我代表科爱通信公司,公司这是一篇CC BY-NC-ND许可证下的开放获取文章(http:creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页:http://www.keaipublishing.com/en/journals/农业人工智能/M. Taki和R.Farhadi农业人工186如此宽(Taki等人,2018年a)。它涵盖了应用程序的分类,如插值,估计,检测等。 (Rohani等人, 2019; Amini等人,2020年)。也许这种方法最重要的优点是它比传统的数学方法更快的速度和可接受的精度(Alonso et al.,2012年)。如今,人工智能的各种模型,包括人工神经网 络 ( ANN ) , 支 持 向 量 机 ( SVM ) , 自适应神经模糊推理系统(ANFIS)等,用于工程科学的大多数方面(Elsheikh等人, 2019年)。人工神经网络是一种动态系统,它将经验知识或数据背后的规律传输到网络结构中。 这些系统基于数值数据或示例的计算来学习一般规则,并且是智能系统(Alonso等人, 2012年)。科学家们预测,人工神经网络将在未来用于人类生活的各个方面,因为它能够对线性和非线性系统进行建模,并且不需要任何先决条件(Rohani等人,2018年)。对人工智能在太阳能系统中的应用进行了评价。表1显示了最近对使用AI的不同类型太阳能系统的一些研究在一项研究中,使用具有三个隐藏层的ANN来评估光伏热(PV/T)空气收集器的输出(Dimri等人,2019年)。在这项研究中,人工神经网络用于预测输出波动(热能和电能增益以及总热能和火用增益)。结果表明,传统的方法比人工神经网络方法复杂。基于三个输入(太阳总辐射、漫射辐射和环境辐射)的人工神经网络模型显示出合理的预测精度(MSE= 0.086)和(R=0.9997)。其他一些研究人员对PV/T系统使用了不同类型的ANN模型,并报告了比传统方法更合理的预测精度(Jia等人, 2019年)。 在另一项研究中,ANN用于预测抛物槽式太阳能收集器管的输出(Heng等人,2019年)。结果表明,人工神经网络是一种快速、准确的计算槽式太阳能集热器出口温度的预测方法其他一些研究表明ANN方法是准确、快速和可靠的(Rohani等人,2019; Al-Waeli等人, 2019; Amini等人, 2020; Rohani等人, 2018; Taki等人,2018年b)。1.1. 范围、创新和结构基于上述文献和表1,本研究尝试应用人工神经网络计算太阳能集热器中由于阴影引起的能量增益减少这项研究考虑了所有的纬度和尺寸的太阳能集热器的太阳能板。因此,研究结果可供世界各地的太阳能工程师参考。本研究的主要目标是:应用Levenberg Marquardt(LM)和Bayesian Regularization(BR)两种训练算法建立ANN-MLP模型,应用K折交叉验证方法提高模型的精度和可靠性,并进行敏感性分析,以反映输入对输出变化的影响这也是第一次尝试研究应用人工神经网络计算的能量增益减少在一个太阳能系统。在本研究中,第二展示了本文的研究方法表1人工神经网络在太阳能发电系统中的应用没有太阳能系统作者模型1太阳能收集器奔利,2013年FFNNHamdan等人,2016基于弹性BP学习算法的ANN模型Kalogirou,2006年安Heng等人,2019安Tomy等人,2016安Loni等人,2018数据处理的分组方法2太阳能空气加热器Esen等人,2009ANN-MLP和WNN模型Ghritlahre和Prasad,2017年四种不同训练算法的ANNAidinlou和Nikbakht,2017年安Varol等人,2010ANN、SVM和ANFISGhritlahre和Prasad,2018年基于LM训练算法的ANNSaravanakumar等人,2013安3太阳能热水器Kalogirou等人,1999隐层三种不同激活函数的ANNKalogirou和Panteliou,2000年隐层三种不同激活函数的ANNSouliotis等人,2009ANN与TRNNJahangiriMamouri和Bénard,2018安Assari等人,2018安Mostafaeipour等人,2017安4太阳能热泵Mohanraj等人,2008一种采用LM训练算法的前馈网络Kai等人,2009人工神经网络-径向基函数Kumar等人,2016集成遗传算法的Esen等人,2017ANN和ANFISMohanraj等人,2018安Hematian等人,2021建模5光伏/热电(PV/T)系统Nemati等人,2016安Kalani等人,2017ANN(MLP and RBF)-ANFISElsheikh和Abd Elaziz,2018年PSOMellit等人,2013隐层Graditi等人,2016安Khatib等人,2018安6太阳能炊具和太阳能蒸馏器Kurt等人,2008基于BP算法的Nkhonjera等人,2017人工神经网络MLPJoshi和Jani,2015年安Herez等人,2018安Mashaly和Alazba,2015年具有三种不同训练函数的ANNRai等人,2005具有S型和双曲型传递函数的正切传递函数7太阳能干燥机和太阳能温室Tripathy和Kumar,2009年Zakmak和Yıldız,2011年五种不同训练算法的人工神经网络ANN-FFNNTaki等人,2018bANN(MLP-RBF)-SVMTaki等人,2016人工神经网络MLP卡斯塔涅达-米兰达和卡斯塔尼奥,2017年基于LM训练算法的ANNFourati,2014年具有Elman结构的M. Taki和R.Farhadi农业人工187x最大值−x最小值表2本研究中每个类别使用的数据的一些统计参数尺寸平均标准偏差峰度偏度(KJm−2年−1)(KJm−2年−1)1×119024450.11-0.741×1.519724270.11-0.801×220094170.10-0.821.5×1.520134130.17-0.841.5×220514030.14-0.862×220733960.15-0.88表3本研究第二部分为人工神经网络模型的总输入集热器长度收集器宽度集热器高度直角纬度(m)(m)(m)0.5-2.5 0.5-2.5 0.01-0.2 0.01-80 °0.01-65度数据、人工神经网络方法和统计参数。第三给出了人工神经网络方法在实际数据上的应用结果,并对今后的研究工作提出了建议最后一部分是本研究的总体结论和2. MATERIALS和METHODS2.1. 数据收集平板太阳能集热器由于其简单性和合理的价格每天都受到越来越多的关注这些收集器中的吸收板是封闭的,以减少热量损失,上面有透明玻璃,周围有隔热墙。但阴影往往覆盖了一部分吸收板,这降低了性能。在之前的研究(Farhadi和Taki,2020)中,使用数学模型来确定影响阴影形成的因素(纬度,倾斜角和收集器尺寸)。结果表明,高度和宽度对阴影形成的影响最大,纬度对阴影形成的影响最小。 在本研究中,作者试图用人工智能来估计平板太阳能集热器中由于阴影引起的能量损失。 所需数据摘自Farhadi和Taki(2020)的研究。在第一步中,基于维度对数据进行分类因此,根据表2,基于流行和实用目的选择了六个在第二部分中,所有数据均用于分析(表3)。在本节中,提取了8000多行数据,并准备用于ANN分析。2.2. 人工神经网络MLP神经网络将通过接收输入向量(xq)为每个q(q=1.2.3. Q)生成输出向量 目标是采用正确的网络参数,以高精度实现接近期望输出的实际输出(Ranjbar等人, 2013年)。在这项研究中,基本的反向传播(BP)算法用于学习网络。最初,数据被随机分为两组:训练集(总数据的60%)和测试集(总数据的如果该分割没有产生期望的结果,则可以再次重复该步骤在应用原始数据之前,必须对数据进行归一化,因为使用原始数据的学习算法不能产生合适的结果。当使用TangentSigmoid(TanSig)激活函数时,最佳数据转换范围为[−1至+1]。使用线性归一化来转换数据(Rohani等人, 2018年):xn¼ x−x最小值 ×r最大−r最小 r最小1(((丙)图1.一、 A:TanSig激活函数(Yilmaz等人,2019); B:用于建模的MLP总体结构; C:本研究中MLP结构的组织。M. Taki和R.Farhadi农业人工1881N d−pi1/4。n:DJ.ð Þpj−pvut∑。ffiffidffiffiffiffiffi−ffiffiffiffipffiffiffiffiΣffiffiffi2ffiffi其中,x是原始数据,xn是归一化数据,x max和x min是原始数据的最大值和最小值,r max和r min分别是数据范围的上限和下限。在这项研究中,使用了两种训练算法:Levenberg Marquardt(LM)和贝叶斯正则化(BR)。由于网络响应的高速和避免复杂性,在本研究中使用单层网络(Ranjbar等人, 2013年)。隐层神经元数目随着计算结果的改善而增加,当误差增大时,隐层神经元数目保持不变在本研究中,隐藏层中的最大神经元数量为30。Fig. 1.显示了MLP模型的整体结构,包括本研究中的所有组件2.3. k倍交叉验证在本研究中,K折交叉验证方法被用来提高人工神经网络输出的置信度在该方法中,验证数据根据其类型和数量被划分为不同的K类,并由每个算法进行评估在每个步骤中,K个子集用于认证,而其他子集(K-1)用于训练(Rodriguez等人, 2010年)。重复该K过程,并且所有数据用于训练和验证(在本研究中,K= 5)。最后,将平均结果作为最终估计进行了验证在该方法中应用K-折叠作为随机细分可以增加ANN过程中的分布,并且使得神经网络通常用作具有可接受结果的实用方法(Taki等人,2018年a)。 在一些研究中,使用了这种方法,并且作者报告说,由于可靠性,结果可以用于实验部分(Taki等人,2018 b;Rohani等人, 2019; Amini等人, 2020年)。为了 评估 ANN-MLP模型的性 能, 使用平均 绝对 溶质 百分比 误差(MAPE)、测定系数(R2)、均方根误差(RMSE)和Ef系数(EF)(Rohani等人, 2019年):MAPE.J.1002.n.- 是的快!2R2¼ j1ð3Þn.102.Σ2∑j 1pj−p图二、本研究中人工神经网络建模的方法过程以流程图的形式表示。∑j 1dj−dRMSE¼j¼1j jnð4Þ非线性最小二乘问题的标准解法功能(Naja fi等人,2009年)。贝叶斯正则化(BR)算法是一种较传统算法(如标准贝叶斯正则化算法)更鲁棒的正则化算法∑EF1dj−d−∑pj−djj 1ð5Þ反向传播,可以减少对长时间交叉验证的需要BR是一个数学过程,它将非线性回归转换为以岭回归的方式提出的适定统计问题的∑j 1dj−dBR的优点是该方法稳健,例如反向传播(Amini等人,2020年)。对于跨-其中dj是第j个图案的实际输出的第j个分量Pj是网络为第j个模式产生的预测输出的分量; d和p是整个实际和预测输出的平均值,n是可变输出的数量。最小的模型RMSE、MAPE和最大EF被认为是最好的另外,MATLAB利用2018a软件对神经网络和回归方法进行了分析。图第二章展示了本研究的方法论全过程。3. 结果和讨论3.1. MLP的最佳算法在 这 项 研 究 中,两 个训 练 算 法 用 于 MLP 模 型 ( LM 和 BR ) 。Levenberg-Marquardt(LM)算法是一种用于找到已成为非线性函数的多元非线性函数的最小值的方法。fer函数,使用了TanSig这种类型的传递函数非常流行-ular和许多研究人员在ANN研究中应用了这种方法(Taki等人,2018b;Ranjbar等人,2013; Rohani等人,2019年)。在第一部分中,基于收集器尺寸的六种类型的数据用于建模。 两种训练算法和隐层中的几个神经元(1,2,3....,30)用于ANN过程。图三.给出了采用两种训练算法(LM-BR)的MLP模型对不同尺寸的平板太阳能集热器的阴影能量损失进行预测的结果实验结果表明,BR算法在六类分类中均优于LM算法BR和LM算法的MAPE因子分别在0.119%-0.267%和0.879%-1.87%之间变化实验结果表明,基于K折交叉验证的BR算法能够得到准确的输出数据,该模型(MLP-BR)能够用于实际的实验应用。因此,对于其他分析,BR∑j 1∑dj−dM. Taki和R.Farhadi农业人工189al-g-o-里,t-h-m23BRLM1.52.52BRLM11.510.50.5005791113 15 17 19 21隐藏层中的名词数量(丁232529275791113 15 17 19 21隐藏层中的名词数量(一2325272932.52.5BRLM22BRLM1.51.5110.50.500579111315171921232527295791113 15 17 19 2123252927隐藏层中的名词数量(隐藏层中的名词数量(5.554.543.532.521.510.5021.5LMBR1BRLM0.50579111315 1719212327255297911131517192123252729隐藏层中的名词数量(隐藏层中的名词数量(F图3. 采用两种训练算法的MLP模型(LM-BR)对不同尺寸的平板太阳能集热器(A:(1-1),B:(1-1.5),C:(1-2),D:(1.5-1.5),E:(1.5-2),F:(2-2))的阴影能量损失进行了预测。M. Taki和R.Farhadi农业人工1901.00012.00016010.000500.9800.958.000400.960最佳拓扑:5-16-1R2RMSE6.0000.9300.940204.0000.85最佳拓扑:5-14-1R2RMSE0.920102.0000.800.90050.000579111315171921232527297911131517192123252729隐藏层(丁)隐藏层(一)1.00040.000160500.98030.0000.95400.960最佳拓扑:5-15-1R2RMSE20.00030最佳拓扑:5-8-10.940R2RMSE0.92010.0000.920100.9000.0000.8505791113151719212325272957911131517192123252729隐藏层(B)隐藏层(E)1.000120.000160100.0000.80080.0000.6000.954060.000最佳拓扑:5-18-1R2RMSE最佳拓扑:5-10-1R2RMSE0.40040.0000.9200.20020.0000.8500.0000.0005791113151719212325272957911131517192123252729隐藏层(F)隐藏层(丙)图四、 使用BR训练算法(MLP-BR)或最佳拓扑的MLP模型的结果,预测不同尺寸的平板太阳能集热器由于阴影而损失的能量,A:(1-1),B:(1-1.5),C:(1-2),D:(1.5-1.5),E:(1.5-2),F:(2-2)。M. Taki和R.Farhadi农业人工191((B)图五、A:采用BR训练算法的MLP模型的实际数据与预测数据之间的一致性; B:MLP-BR模型预测平板太阳能集热器中由于阴影而损失的能量的收敛图。用了 图 4给出了BR算法隐层最优神经元的RMSE和EF因子。图的结果。 5表明,对于六个维度(1×1; 1×1.5; 1×2; 1.5×1.5; 1.5×2和2×2),最 好 的 拓 扑 是 : 5-14-1; 5-15-1; 5-8-1; 5-18- 1; 5-16-1; 5-10-1 ,respectively。最小RMSE与(1.5×1.5)维有关。此外,该维度具有最高的EF(0.9999)。该图的结果表明,隐藏层中的神经元数量可以对最终性能起重要作用,但是隐藏层中的神经元数量越多,隐藏层并不总是增加神经网络模型的效率和准确性表4显示了MLP模型在训练和测试阶段通过BR算法在隐藏层中获得最佳神经元的整体性能表5的结果表明,具有所提出的结构的MLP模型可以高精度地预测由于阴影而导致的所有维度的能量损失对于(1.5×1.5)尺寸的平板太阳能集热器,MLP模型比其它尺寸的集热器具有更高的性能。表4隐层最优神经元MLP-BR模型预测太阳能平板集热器阴影损失的统计参数维度拓扑链测试RMSE(KJm-2年-1)(x±SD)MAPE %(x±SD)EF(−)(x±SD)R2(−)(x±SD)RMSE(KJm-2年-1)(x±SD)MAPE %(x±SD)EF(−)(x±SD)R2(−)(x±SD)1×1 5-1×1.5 5-1×2 5-81.5×1.55-18-1 1.60±1.48 0.07±0.07 0.99±0.01 0.99±0.01 4.42±2.43 0.15±0.09 0.99±0.01 0.99±0.011.5×2 5-2×2 5-* 粗体数字是最佳预测模型的统计参数M. Taki和R.Farhadi农业人工表5192应用K-fold交叉验证法,用LM算法选择MLP模型中的最佳神经元神经元数量火车测试总MAPE %R2(−)MAPE %R2(−)MAPE %R2(−)(x±SD)(x±SD)(x±SD)(x±SD)(x±SD)(x±SD)51.3873 ± 0.09110.9937 ± 0.00081.4055 ± 0.09770.9935 ± 0.00091.3982 ± 0.09350.9936± 0.000861.3357 ± 0.13480.9942 ± 0.00111.3499 ± 0.14000.9941 ± 0.00121.3442 ± 0.13670.9941± 0.001271.3030 ± 0.15350.9945 ± 0.00131.3221 ± 0.15390.9944 ± 0.00131.3145 ± 0.15270.9944± 0.001381.2683 ± 0.17500.9948 ± 0.00141.2822 ± 0.17140.9947 ± 0.00141.2766 ± 0.17200.9947± 0.001491.2108 ± 0.20750.9954 ± 0.00151.2298 ± 0.21140.9953 ± 0.00151.2222 ± 0.20910.9954± 0.0015101.2150 ± 0.20320.9955 ± 0.00141.2279 ± 0.20730.9953 ± 0.00151.2228 ± 0.20510.9954± 0.0014111.1904 ± 0.22670.9957 ± 0.00161.2068 ± 0.23310.9956 ± 0.00161.2002 ± 0.22990.9956± 0.0016121.1828 ± 0.21240.9959 ± 0.00141.1933 ± 0.21150.9958 ± 0.00141.1891 ± 0.21100.9959± 0.0014131.1230 ± 0.23590.9961 ± 0.00161.1373 ± 0.24060.9961 ± 0.00171.1316 ± 0.23830.9961± 0.0016141.1559 ± 0.22810.9962 ± 0.00151.1700 ± 0.22800.9961 ± 0.00151.1643 ± 0.22750.9961± 0.0015151.1440 ± 0.21160.9963 ± 0.00131.1575 ± 0.22030.9962 ± 0.00141.1521 ± 0.21630.9962± 0.0013161.1445 ± 0.23720.9963 ± 0.00151.1629 ± 0.23990.9961 ± 0.00161.1556 ± 0.23830.9962± 0.0016171.1028 ± 0.22830.9966 ± 0.00141.1159 ± 0.22760.9965 ± 0.00151.1106 ± 0.22740.9965± 0.0015181.0991 ± 0.25590.9965 ± 0.00151.1168 ± 0.25600.9965 ± 0.00151.1097 ± 0.25540.9965± 0.0015191.0904 ± 0.22550.9967 ± 0.00141.1045 ± 0.22970.9966 ± 0.00141.0988 ± 0.22750.9966± 0.001420⁎1.0286 ± 0.28790.9971± 0.00161.0470± 0.29000.9970± 0.00171.0397± 0.28880.9970± 0.0017211.1367 ± 0.24670.9964 ± 0.00161.1521 ± 0.24400.9963 ± 0.00161.1459 ± 0.24450.9963± 0.0016221.0907 ± 0.25490.9965 ± 0.00161.1110 ± 0.26300.9964 ± 0.00161.1029 ± 0.25910.9965± 0.0016231.1405 ± 0.25430.9965 ± 0.00151.1558 ± 0.25740.9964 ± 0.00151.1497 ± 0.25560.9964± 0.0015241.0942 ± 0.24700.9967 ± 0.00151.1065 ± 0.24630.9966 ± 0.00161.1016 ± 0.24610.9966± 0.0016251.0958 ± 0.27180.9966 ± 0.00161.1182 ± 0.27580.9965 ± 0.00161.1092 ± 0.27390.9965± 0.0016261.1076 ± 0.26170.9966 ± 0.00151.1243 ± 0.26360.9965 ± 0.00151.1176 ± 0.26240.9965± 0.0015271.0810 ± 0.26150.9968 ± 0.00151.0962 ± 0.25990.9967 ± 0.00151.0902 ± 0.26010.9968± 0.0015281.0580 ± 0.27380.9970 ± 0.00151.0738 ± 0.27500.9970 ± 0.00151.0675 ± 0.27420.9970± 0.0015291.1162 ± 0.27940.9965 ± 0.00171.1336 ± 0.28530.9964 ± 0.00181.1266 ± 0.28240.9965± 0.0017301.1215 ± 0.27890.9967 ± 0.00161.1388 ± 0.27890.9966 ± 0.00171.1319 ± 0.27840.9966± 0.0017* 粗体数字是最佳拓扑的统计参数目前还没有关于捕收剂的类似研究,但在其他应用中,一些研究人员报道了关于ANN模型的类似结果例如,Kalogirou(2006)应用ANN模型来估计收集器性能参数,并报告该方法可以以高精度使用。作者还指出,人工神经网络可以通过更多的训练和使用其他新的和足够的算法来改进在一项类似的研究中,应用ANN模型(MLP和RBF)预测小麦生产的产量(Taki等人,2018年b)。结果表明,人工神经网络模型可以用于高性能的预测,表6应用K折交叉验证法,用BR算法选择MLP模型中的最佳神经元神经元数量火车测试总MAPE(%)R2(−)MAPE(%)R2(−)MAPE(%)R2(−)(x±SD)(x±SD)(x±SD)(x±SD)(x±SD)(x±SD)50.8884 ± 0.14600.9976 ± 0.00100.8717 ± 0.15040.9975 ± 0.00100.8664 ± 0.14820.9975± 0.001060.6196 ± 0.09130.9987 ± 0.00040.6328 ± 0.09110.9987 ± 0.00040.6275 ± 0.09180.9987± 0.000470.4546 ± 0.08880.9993 ± 0.00030.4672 ± 0.09020.9993 ± 0.00030.4621 ± 0.08940.9993± 0.000380.3571 ± 0.06270.9996 ± 0.00020.3679 ± 0.06360.9996 ± 0.00020.3636 ± 0.06310.9996± 0.000290.3054 ± 0.05230.9997 ± 0.00010.3161 ± 0.05410.9997 ± 0.00010.3118 ± 0.05320.9997± 0.0001100.2627 ± 0.03480.9998 ± 0.00010.2731 ± 0.03650.9998 ± 0.00010.2689 ± 0.03560.9998± 0.0001110.2257 ± 0.02230.9998 ± 0.00010.2363 ± 0.02320.9998 ± 0.00010.2321 ± 0.02250.9998± 0.0001120.2058 ± 0.01840.9999 ± 0.00010.2160 ± 0.01830.9999 ± 0.00010.2119 ± 0.01800.9999± 0.0001130.1882 ± 0.01480.9999 ± 0.00010.1985 ± 0.01540.9999 ± 0.00010.1944 ± 0.01480.9999± 0.0001140.1733 ± 0.01430.9999 ± 0.00010.1831 ± 0.01440.9999 ± 0.00010.1792 ± 0.01400.9999± 0.0001150.1599 ± 0.01160.9999 ± 0.00010.1697 ± 0.01070.9999 ± 0.00010.1658 ± 0.01080.9999± 0.0001160.1482 ± 0.01180.9999 ± 0.00010.1589 ± 0.01290.9999 ± 0.00010.1546 ± 0.01210.9999± 0.0001170.1347 ± 0.01130.9999 ± 0.00010.1445 ± 0.01160.9999 ± 0.00010.1406 ± 0.01120.9999± 0.0001180.1250 ± 0.01310.9999 ± 0.00010.1349 ± 0.01300.9999 ± 0.00010.1309 ± 0.01280.9999± 0.0001190.1169 ± 0.01130.9999 ± 0.00010.1269 ± 0.01250.9999 ± 0.00010.1229 ± 0.01170.9999± 0.0001200.1066 ± 0.01030.9999 ± 0.00010.1165 ± 0.01150.9999 ± 0.00010.1126 ± 0.01080.9999± 0.0001210.1018 ± 0.01090.9999 ± 0.00010.1111 ± 0.01150.9999 ± 0.00010.1074 ± 0.01110.9999± 0.0001220.0990 ± 0.01430.9999 ± 0.00010.1086 ± 0.01430.9999 ± 0.00010.1048 ± 0.01420.9999± 0.0001230.0903 ± 0.00980.9999 ± 0.00010.1002 ± 0.01130.9999 ± 0.00010.0963 ± 0.01050.9999± 0.0001240.0880 ± 0.01120.9999 ± 0.00010.0982 ± 0.01150.9999 ± 0.00010.0942 ± 0.01130.9999± 0.0001250.0804 ± 0.00800.9999 ± 0.00010.0899 ± 0.00920.9999 ± 0.00010.0861 ± 0.00850.9999± 0.0001260.0771 ± 0.00970.9999 ± 0.00010.0869 ± 0.01150.9999 ± 0.00010.0830 ± 0.01070.9999± 0.000127⁎0.0552 ± 0.00520.9999± 0.00010.0648± 0.00530.9999± 0.00010.0610± 0.00510.9999± 0.0001280.0717 ± 0.00920.9999 ± 0.00010.0812 ± 0.01090.9999 ± 0.00010.0774 ± 0.01010.9999± 0.0001290.0672 ± 0.00710.9999 ± 0.00010.0769 ± 0.00760.9999 ± 0.00010.0730 ± 0.00730.9999± 0.0001300.0650 ± 0.00930.9999 ± 0.00010.0744 ± 0.08500.9999 ± 0.00010.0706 ± 0.00880.9999± 0.0001* 粗体数字是最佳拓扑的统计参数M. Taki和R.Farhadi农业人工193表7在MLP-LM和MLP-BR模型的结果之间选择最佳拓扑训练算法拓扑统计参数(总相位)MAPE(%)(x±SD)RMSE(KJm-2年-1)(x±SD)EF(−)(x±SD)R2(−)(x±SD)LM(Levenberg Marquardt)5-20-11.0397± 0.288825.4883 ± 6.82410.9962± 0.00200.9970± 0.0016贝叶斯正则化5-27-10.0609± 0.00501.5210± 0.12320.9999± 0.00010.9999± 0.0001小麦产量为下一次种植。在另一项研究中,Ghritlahre和Prasad(2018)开发了MLP和多元线性回归(MLR)模型来预测两种不同类型的粗糙太阳能空气加热器的传热结果表明,采用5-10-1拓扑结构的神经网络模型预测传热特性的精度(R2=0.9953)高于MLR模型。 在另一项研究中,ANN-MLP模型用于预测填充有相变材料的太阳能烟囱的性能(Fadaei等人, 2018年)。结果表明,预测值与实测值的相关系数大于0.99,相对误差小于3%。在第二部分中,基于表2的所有数据用于ANN分析。在本节中,可以评估数据大小的影响最后,本文采用TanSig传递函数,采用LM和BR训练算法,采用不同的隐层神经元数(表5示出了在训练、测试和总阶段中隐藏层中具有不同数量的神经元的MLP-LM模型的结果表6的结果表明,具有最高性能的最佳拓扑是5-20-1。该结构的总MAPE和R2分别为1.0397 ± 0
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 5
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 十种常见电感线圈电感量计算公式详解
- 军用车辆:CAN总线的集成与优势
- CAN总线在汽车智能换档系统中的作用与实现
- CAN总线数据超载问题及解决策略
- 汽车车身系统CAN总线设计与应用
- SAP企业需求深度剖析:财务会计与供应链的关键流程与改进策略
- CAN总线在发动机电控系统中的通信设计实践
- Spring与iBATIS整合:快速开发与比较分析
- CAN总线驱动的整车管理系统硬件设计详解
- CAN总线通讯智能节点设计与实现
- DSP实现电动汽车CAN总线通讯技术
- CAN协议网关设计:自动位速率检测与互连
- Xcode免证书调试iPad程序开发指南
- 分布式数据库查询优化算法探讨
- Win7安装VC++6.0完全指南:解决兼容性与Office冲突
- MFC实现学生信息管理系统:登录与数据库操作
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功