Басок, Б. І.Новіцька, М. П.Недбайло, О. М.Ткаченко, М. В.Божко, І. К.2023-04-112023-04-112021Прогнозування теплового стану повітряноґрунтового теплообмінника із застосуванням штучної нейронної мережі / Б. І. Басок, М. П. Новіцька, О. М. Недбайло, М. В. Ткаченко, І. К. Божко // Енергетика: економіка, технології, екологія : науковий журнал. – 2021. – № 2. – С. 95-101. – Бібліогр.: 11 назв.https://ela.kpi.ua/handle/123456789/54487Метою роботи є прогнозування теплового стану повітряно-ґрунтового теплообмінника на основі штучної нейронної мережі. Навчання, тестування та валідація запропонованої моделі зроблені на експериментальних даних отриманих в теплофізичній лабораторії Інституту технічної теплофізики НАН України. У цій роботі використано просту нейронну мережу. В якості вхідних параметрів для нейронної мережі обрано температуру повітря на вході в теплообмінник та його вологість. У цій роботі в розрахунках використовувався MATLAB (R2016a) та модель Левенберга-Маркватта. В моделі був присутній один прихований шар та 10 нейронів. Масив даних, що аналізувався розбивався у пропорції 70%, 15%, 15% для навчання нейронної мережі, її валідації та тестування відповідно. В результаті отримано, що в усіх моделях прогнозування відбувається із прийнятною точністю. Коефіцієнт середньоквадратичного відхилення для всього масиву даних для різних моделей варіюються від 0,105 до 2,323 С. Максимальна середня абсолютна помилка у відсотках виявилась найбільшою при використанні формул отриманих із СFD моделі та складала 11,2%. Мінімальне середнє відхилення прогнозованих даних від експериментально виміряних виявилось в моделі із використанням температури, вологості та температури повітря на виході із повітряно-ґрунтового теплообмінника за попередню годину і складало 0,02%. Навчання та тестування запропонованих моделей на основі штучної нейронної мережі є достатньо задовільними, щоб передбачити температуру із врахуванням впливу погодних умов. Штучні нейронні мережі можна використовувати при прогнозуванні теплового стану повітряно-ґрунтового теплообмінника. Для налаштування таких системи ШНМ потрібні дані, що представляють опис реальної системи.ukштучна нейронна мережаповітряно-ґрунтовий теплообмінникмоделюванняпрогнозуванняartificial neuron networkair-ground heat exchangerforecastingsimulationArticleС. 95-101004.032.26;620.910000-0002-8935-42480000-0003-2867-101X0000-0001-1416-96510000-0001-8345-16130000-0001-7458-0835