Publicação
Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos
| Resumo: | SILVA, Claudemir Cosme da. Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos. 2022. 57f. Dissertação (Mestrado em Engenharia Mecânica: Processos, Equipamentos e Sistemas para Energias Renováveis) - Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-graduação em Engenharia Mecânica, Fortaleza, 2022. |
|---|---|
| Autores principais: | Silva, Claudemir Cosme da |
| Assunto: | Energias renováveis Energia solar Coletores solares Nanofluidos Aprendizado de máquina |
| Ano: | 2022 |
| País: | Brasil |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | IBICT |
| Idioma: | português |
| Origem: | Oasisbr |
| _version_ | 1871532254188011520 |
|---|---|
| author | Silva, Claudemir Cosme da |
| author_facet | Silva, Claudemir Cosme da |
| author_role | author |
| country_str | BR |
| creators_json_txt | [{\"Person.name\":\"Silva, Claudemir Cosme da\"}] |
| datacite.creators.creator.creatorName.fl_str_mv | Silva, Claudemir Cosme da |
| datacite.date.Accepted.fl_str_mv | 2022-08-02T00:00:00Z |
| datacite.date.available.fl_str_mv | 2022-09-19T12:54:16Z |
| datacite.date.embargoed.fl_str_mv | 2022-09-19T12:54:16Z |
| datacite.rights.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| datacite.subjects.subject.fl_str_mv | Energias renováveis Energia solar Coletores solares Nanofluidos Aprendizado de máquina |
| datacite.titles.title.fl_str_mv | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos Performance of machine learning methods for temperature estimation of solar collectors with nanofluids |
| dc.creator.none.fl_str_mv | Silva, Claudemir Cosme da |
| dc.date.Accepted.fl_str_mv | 2022-08-02T00:00:00Z |
| dc.date.available.fl_str_mv | 2022-09-19T12:54:16Z |
| dc.date.embargoed.fl_str_mv | 2022-09-19T12:54:16Z |
| dc.description.none.fl_str_mv | Research on renewable energy systems has increased significantly, because of the need to find new sources of energy that will complement or even replace fossil fuels, which are considered non-renewable and cause environmental impacts. Compared to other renewable energy sources, solar energy has been attracting interest because it is considered easily accessible and abundant. In this sense, the objective of this work is to analyze the performance of machine learning models for temperature estimation in solar collectors. The experiments were carried out at the Solar Energy and Natural Gas Laboratory (LESGN) evaluating the behavior of the temperature profiles of four concentrations of titanium dioxide nanoparticles (12.5 ppm; 25 ppm; 50 ppm; 75 ppm) in the period between October and December 2018, from 6:00 am to 6:00 pm, and silver nanoparticles (0.8125 ppm; 1.625 ppm; 3.25 ppm; 6.5 ppm) between June and October 2019, from 5:30 am to 9:30 pm, dispersed in deionized water in a solar radiation direct absorption system. The correlation between the predictors is based on the physical model variables that are shown to be most relevant. The input data for the numerical modeling are: temperature at the latest time step, ambient temperature, mean nanofluid temperature, direct solar irradiance, global solar irradiance, wind speed, and solar zenith angle, all of which were used to estimate the final temperature and temperature variation of the titanium dioxide nanofluid dispersed in deionized water using seven numerical models: Ridge Regression, LASSO, ElasticNet, kNN, XGBoost, MARS, and Ensemble Aggregate Models. Among them, two models were used as Ensemble (combined) methods: Ridge and MARS. The R programming language was applied for statistical analysis of error metrics and to rank the importance percentage of the predictors. The data was separated into a training and test set, using a 10-fold cross-validation for the training set, and the RMSE was used to choose the best performing model. At the concentrations of titanium dioxide nanoparticles, kNN showed the best RMSE performance for estimating temperature variation. The lowest RMSE was found at a concentration of 75 ppm, with a value of 0.146 °C. Thus, the computational model showed an efficiency 68.56% higher than the physical model. The best RMSE performance in the studies of silver nanoparticles was found for the concentration of 1.625 ppm on the estimation of temperature variation with the Ensemble MARS model, of about 0.136 ºC. As pesquisas sobre sistemas de energias renováveis têm aumentado significativamente, sendo a finalidade encontrar novas fontes de energia que venham a complementar ou até mesmo substituir as provenientes dos combustíveis fósseis, que são consideradas não renováveis e causam impactos ambientais. Se comparada com outras fontes de energia renovável, a solar vem atraindo interesse por ser considerada de fácil acesso e abundante. Neste sentido, o objetivo deste trabalho é analisar o desempenho de modelos de aprendizagem de máquina para estimativa de temperatura em coletores solares. Os experimentos foram realizados no Laboratório de Energia Solar e Gás Natural (LESGN) avaliando o comportamento dos perfis de temperatura de quatro concentrações de nanopartículas de dióxido de titânio (12,5 ppm; 25 ppm; 50 ppm; 75 ppm) no período entre outubro e dezembro de 2018, das 06:00 às 18:00 horas, e de nanopartículas de prata (0,8125 ppm; 1,625 ppm; 3,25 ppm; 6,5 ppm) entre junho e outubro de 2019, das 5:30 às 21:30 horas, dispersas em água deionizada em um sistema de absorção direta de radiação solar. A correlação entre os preditores se baseia nas variáveis do modelo físico que se mostram mais relevantes. Os dados de entrada da modelagem numérica são: temperatura no instante de tempo posterior, temperatura ambiente, temperatura média do nanofluido, irradiância solar direta, irradiância solar global, velocidade do vento e ângulo de zênite solar, onde todos eles foram usados para estimar a temperatura final e a variação de temperatura do nanofluido dióxido de titânio dispersas em água deionizada, utilizando sete modelos numéricos: Regressão de Ridge, LASSO, ElasticNet, kNN, XGBoost, MARS e Modelos agregados Ensemble. Dentre eles, dois modelos foram utilizados como métodos de Ensemble (combinados): Ridge e MARS. A linguagem de programação R foi usada para a análise estatística das métricas de erro e classificar a porcentagem de importância dos preditores. Os dados foram separados em conjunto de treinamento e teste, utilizando uma validação cruzada de 10-fold para o conjunto de treinamento, sendo o RMSE utilizado para a escolha do modelo com melhor desempenho. Nas concentrações de nanopartículas de dióxido de titânio, o kNN mostrou o melhor desempenho RMSE para estimativa de variação de temperatura. O menor RMSE foi encontrado na concentração de 75 ppm, com valor de 0,146 °C. Assim, o modelo computacional apresentou uma eficiência 68,56% superior em relação ao modelo físico. O melhor desempenho RMSE nos estudos de nanopartículas de prata foi encontrado na concentração de 1,625 ppm em estimativa de variação de temperatura com o modelo Ensemble MARS, com cerca de 0,136 ºC. |
| dc.identifier.none.fl_str_mv | http://www.repositorio.ufc.br/handle/riufc/68356 |
| dc.language.none.fl_str_mv | por |
| dc.rights.none.fl_str_mv | http://purl.org/coar/access_right/c_abf2 |
| dc.source.none.fl_str_mv | reponame:Repositório Institucional da Universidade Federal do Ceará (UFC) instname:Universidade Federal do Ceará (UFC) instacron:UFC |
| dc.subject.none.fl_str_mv | Energias renováveis Energia solar Coletores solares Nanofluidos Aprendizado de máquina |
| dc.title.fl_str_mv | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos Performance of machine learning methods for temperature estimation of solar collectors with nanofluids |
| dc.type.none.fl_str_mv | http://purl.org/coar/resource_type/c_bdcc |
| description | SILVA, Claudemir Cosme da. Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos. 2022. 57f. Dissertação (Mestrado em Engenharia Mecânica: Processos, Equipamentos e Sistemas para Energias Renováveis) - Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-graduação em Engenharia Mecânica, Fortaleza, 2022. |
| dirty | 0 |
| eu_rights_str_mv | openAccess |
| format | masterThesis |
| id | oasisbr_eae9bdbd29c900b86bca23c2c451592e |
| identifier.url.fl_str_mv | http://www.repositorio.ufc.br/handle/riufc/68356 |
| inst_facet_str | urn:organizationAcronym:oasisbr{{{_:::_}}}IBICT |
| instacron_str | OASISBR |
| institution | IBICT |
| instname_str | IBICT |
| language | por |
| network_acronym_str | oasisbr |
| network_name_str | Oasisbr |
| oai_identifier_str | oai:www.repositorio.ufc.br:riufc/68356 |
| organization_str_mv | urn:organizationAcronym:oasisbr |
| person_str_mv | Silva, Claudemir Cosme da |
| publishDate | 2022 |
| repo_facet_str | urn:repositoryAcronym:oasisbr{{{_:::_}}}Oasisbr |
| reponame_str | Oasisbr |
| repository_id_str | urn:repositoryAcronym:oasisbr |
| service_str_mv | urn:repositoryAcronym:oasisbr |
| spelling | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidosPerformance of machine learning methods for temperature estimation of solar collectors with nanofluidsSilva, Claudemir Cosme daEnergias renováveisEnergia solarColetores solaresNanofluidosAprendizado de máquinaopen accesshttp://purl.org/coar/access_right/c_abf2http://www.repositorio.ufc.br/handle/riufc/68356URLSILVA, C. C. Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos. 2022. 57 f. Dissertação (Mestrado em Engenharia Mecânica) - Centro de Tecnologia, Universidade Federal do Ceará, Fortaleza, 2022.N/AHasVersionhttp://www.repositorio.ufc.br/handle/riufc/68356URLHasVersion2022-09-19T12:54:16Z2022-09-192022-08-02T00:00:00ZSILVA, Claudemir Cosme da. Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos. 2022. 57f. Dissertação (Mestrado em Engenharia Mecânica: Processos, Equipamentos e Sistemas para Energias Renováveis) - Universidade Federal do Ceará, Centro de Tecnologia, Programa de Pós-graduação em Engenharia Mecânica, Fortaleza, 2022.Research on renewable energy systems has increased significantly, because of the need to find new sources of energy that will complement or even replace fossil fuels, which are considered non-renewable and cause environmental impacts. Compared to other renewable energy sources, solar energy has been attracting interest because it is considered easily accessible and abundant. In this sense, the objective of this work is to analyze the performance of machine learning models for temperature estimation in solar collectors. The experiments were carried out at the Solar Energy and Natural Gas Laboratory (LESGN) evaluating the behavior of the temperature profiles of four concentrations of titanium dioxide nanoparticles (12.5 ppm; 25 ppm; 50 ppm; 75 ppm) in the period between October and December 2018, from 6:00 am to 6:00 pm, and silver nanoparticles (0.8125 ppm; 1.625 ppm; 3.25 ppm; 6.5 ppm) between June and October 2019, from 5:30 am to 9:30 pm, dispersed in deionized water in a solar radiation direct absorption system. The correlation between the predictors is based on the physical model variables that are shown to be most relevant. The input data for the numerical modeling are: temperature at the latest time step, ambient temperature, mean nanofluid temperature, direct solar irradiance, global solar irradiance, wind speed, and solar zenith angle, all of which were used to estimate the final temperature and temperature variation of the titanium dioxide nanofluid dispersed in deionized water using seven numerical models: Ridge Regression, LASSO, ElasticNet, kNN, XGBoost, MARS, and Ensemble Aggregate Models. Among them, two models were used as Ensemble (combined) methods: Ridge and MARS. The R programming language was applied for statistical analysis of error metrics and to rank the importance percentage of the predictors. The data was separated into a training and test set, using a 10-fold cross-validation for the training set, and the RMSE was used to choose the best performing model. At the concentrations of titanium dioxide nanoparticles, kNN showed the best RMSE performance for estimating temperature variation. The lowest RMSE was found at a concentration of 75 ppm, with a value of 0.146 °C. Thus, the computational model showed an efficiency 68.56% higher than the physical model. The best RMSE performance in the studies of silver nanoparticles was found for the concentration of 1.625 ppm on the estimation of temperature variation with the Ensemble MARS model, of about 0.136 ºC.As pesquisas sobre sistemas de energias renováveis têm aumentado significativamente, sendo a finalidade encontrar novas fontes de energia que venham a complementar ou até mesmo substituir as provenientes dos combustíveis fósseis, que são consideradas não renováveis e causam impactos ambientais. Se comparada com outras fontes de energia renovável, a solar vem atraindo interesse por ser considerada de fácil acesso e abundante. Neste sentido, o objetivo deste trabalho é analisar o desempenho de modelos de aprendizagem de máquina para estimativa de temperatura em coletores solares. Os experimentos foram realizados no Laboratório de Energia Solar e Gás Natural (LESGN) avaliando o comportamento dos perfis de temperatura de quatro concentrações de nanopartículas de dióxido de titânio (12,5 ppm; 25 ppm; 50 ppm; 75 ppm) no período entre outubro e dezembro de 2018, das 06:00 às 18:00 horas, e de nanopartículas de prata (0,8125 ppm; 1,625 ppm; 3,25 ppm; 6,5 ppm) entre junho e outubro de 2019, das 5:30 às 21:30 horas, dispersas em água deionizada em um sistema de absorção direta de radiação solar. A correlação entre os preditores se baseia nas variáveis do modelo físico que se mostram mais relevantes. Os dados de entrada da modelagem numérica são: temperatura no instante de tempo posterior, temperatura ambiente, temperatura média do nanofluido, irradiância solar direta, irradiância solar global, velocidade do vento e ângulo de zênite solar, onde todos eles foram usados para estimar a temperatura final e a variação de temperatura do nanofluido dióxido de titânio dispersas em água deionizada, utilizando sete modelos numéricos: Regressão de Ridge, LASSO, ElasticNet, kNN, XGBoost, MARS e Modelos agregados Ensemble. Dentre eles, dois modelos foram utilizados como métodos de Ensemble (combinados): Ridge e MARS. A linguagem de programação R foi usada para a análise estatística das métricas de erro e classificar a porcentagem de importância dos preditores. Os dados foram separados em conjunto de treinamento e teste, utilizando uma validação cruzada de 10-fold para o conjunto de treinamento, sendo o RMSE utilizado para a escolha do modelo com melhor desempenho. Nas concentrações de nanopartículas de dióxido de titânio, o kNN mostrou o melhor desempenho RMSE para estimativa de variação de temperatura. O menor RMSE foi encontrado na concentração de 75 ppm, com valor de 0,146 °C. Assim, o modelo computacional apresentou uma eficiência 68,56% superior em relação ao modelo físico. O melhor desempenho RMSE nos estudos de nanopartículas de prata foi encontrado na concentração de 1,625 ppm em estimativa de variação de temperatura com o modelo Ensemble MARS, com cerca de 0,136 ºC.porreponame:Repositório Institucional da Universidade Federal do Ceará (UFC)instname:Universidade Federal do Ceará (UFC)instacron:UFCVoRhttp://purl.org/coar/version/c_970fb48d4fbd8a85master thesishttp://purl.org/coar/resource_type/c_bdccother research product |
| spellingShingle | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos Silva, Claudemir Cosme da Energias renováveis Energia solar Coletores solares Nanofluidos Aprendizado de máquina |
| status | SINGLETON |
| status_str | VoR |
| subject.fl_str_mv | Energias renováveis Energia solar Coletores solares Nanofluidos Aprendizado de máquina |
| title | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos |
| title_full | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos |
| title_fullStr | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos |
| title_full_unstemmed | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos |
| title_short | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos |
| title_sort | Desempenho de métodos de aprendizado de máquina para estimativa de temperatura de coletores solares com nanofluidos |
| topic | Energias renováveis Energia solar Coletores solares Nanofluidos Aprendizado de máquina |
| topic_facet | Energias renováveis Energia solar Coletores solares Nanofluidos Aprendizado de máquina |
| url | http://www.repositorio.ufc.br/handle/riufc/68356 |
| visible | 1 |
Atividades financiadas
Não foram encontrados projetos financiados.