THERMAL STATE OF THE AIR - GROUND HEAT EXCHANGER PREDICTION BASED ON ARTIFICIAL NEURAL NETWORK
DOI:
https://doi.org/10.20535/1813-5420.2.2021.247414Keywords:
artificial neuron network, air-ground heat exchanger, forecasting, simulation.Abstract
The work aim is to predict the thermal state of the air-ground heat exchanger based on an artificial neural network. Training, testing and validation of the proposed model were made on experimental data obtained in the thermophysical laboratory of the Institute of Engineering Thermophysics of the National Academy of Sciences of Ukraine. A simple neural network is used in this work. The air temperature at the inlet to the heat exchanger, and its relative humidity are selected as input parameters for the neural network. The MATLAB (R2016a) and Levenberg-Markwatt model were used in this article's calculations. One hidden layer and 10 neurons were presented in the model. The array of analysed data was divided into ratios of 70%, 15%, 15% for neural network training, validation and testing, respectively. As a result, it is obtained that the forecasting takes place with acceptable accuracy in all models. The root mean square error for the whole data set for different models varies from 0.105 to 2.323°С. The maximum mean absolute percentage error was the largest for CFD model and was 11.2%. The minimum mean bias error of the predicted data from the experimentally measured ones was found in the model using temperature, humidity, and air temperature at the outlet of the air-ground heat exchanger for the previous hour and was 0.02%. The training and testing of the proposed models based on an artificial neural network are satisfactory enough to predict the temperature taking into account the influence of weather conditions. Artificial neural networks can be used to predict the thermal state of the air-ground heat exchanger. Data representing the description of a real system are required for forecasting the parameters based on the ANN.
References
B. Basok, M. Novitska, and V. Kravchenko, “Forecasting the intensity of solar radiation based on artificial neural networks”, Thermophysics and Thermal Power Engineering, vol. 43, no. 2, pp. 60-67, Feb. 2021.
Soteris A. Kalogirou, “Artificial neural networks in renewable energy systems applications: a review,” Renewable and Sustainable Energy Reviews, Volume 5, Issue 4, Pages 373-401, 2001. https://doi.org/10.1016/S1364-0321(01)00006-5
Ghalandari, M., Misagh Irandoost Shahrestani, A. Maleki, Mostafa Safdari Shadloo and M. El Haj Assad. “Applications of intelligent methods in various types of heat exchangers: a review.” Journal of Thermal Analysis and Calorimetry 1-12, 2021.
Kumar Verma, M., Bansal, V., Bihari Rana “Development of passive energy source as earth air pipe heat exchangers (eaphe) system -a review.” Journal of Thermal Engineering, Vol. 6, No. 5, pp. 651-676. 2020, doi:10.18186/thermal.790173
Misra, R., Jakhar, S., Agrawal, K., Sharma, S., Jamuwa, D., Soni, M. and Agrawal, G. “Field investigations to determine the thermal performance of earth air tunnel heat exchanger with dry and wet soil: Energy and exergetic analysis.” Energy and Buildings, 171, pp.107-115, 2018. DOI:10.1016/j.enbuild.2018.04.026
Congedo, P., Lorusso, C., Baglivo, C., Milanese, M. and Raimondo, L. “Experimental validation of horizontal air-ground heat exchangers (HAGHE) for ventilation systems.” Geothermics, 80, pp.78-85, 2019. DOI: 10.1016/j.geothermics.2019.02.010
Filatov, S. and Volodin, V. “Efficiency of using energy piles with air coolant in ventilation and heat supply systems.” Industrial heating technology, 35 (3), pp.44-50, 2013.
B. Basok, M. Novitska, I. Bozhko, V. Priemchenko and M. Tkachenko, "Smart geothermal ventilation system," 2020 IEEE 7th International Conference on Energy Smart Systems (ESS), Kyiv, Ukraine, 2020, pp. 226-229, doi: 10.1109/ESS50319.2020.9160244.
Rakesh Kumar, S.C. Kaushik, S.N. Garg “Heating and cooling potential of an earth-to-air heat exchanger using artificial neural network”, Renewable Energy, Volume 31, Issue 8, Pages 1139-1155, 2006, https://doi.org/10.1016/j.renene.2005.06.007.
Novotarskiy М.А., Nesterenko B.B. “Artificial neural networks: calculations” Proceedings of the Institute of Mathematics of the NAS of Ukraine – V.50. – К: Institute of Mathematics of the NAS of Ukraine, 2004. – 408 p. (Ukr).
B. Basok, M. Novitska, S. Goncharuk, M. Moroz and A. Tymoshchenko, "Experimental Passive House of the Institute of Engineering Thermophysics NAS of Ukraine," 2019 IEEE 6th International Conference on Energy Smart Systems (ESS), Kyiv, Ukraine, 2019, pp. 108-111.doi: 10.1109/ESS.2019.8764182
Downloads
Published
Issue
Section
License
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
