Isı transferinde ısı kayıplarının yapay sinir ağları yöntemi ile incelenmesi
Künye
Çırak, B., & Korcak, S. (2017). Isı Transferinde Isı Kayıplarının Yapay Sinir Ağları Yöntemi ile İncelenmesi. Journal of the Institute of Science and Technology, 7(2), 185-197.Özet
Bu çalışmada binalarda ısıtma için kullanılan kalorifer borularının yalıtımlı ve yalıtımsız durumları için iki
ayrı yapay sinir ağı (YSA) modeli ve bina duvarlarının yalıtımlı ve yalıtımsız durumları için iki ayrı YSA modeli
olmak üzere toplamda 4 ayrı model kullanılmıştır. Bu durumlar için tasarlanan YSA modellerinde 3 katmanlı ileri
beslemeli ve geri yayılımlı bir model şekli tercih edilmiştir. Gizli katmanda sigmoid transfer fonksiyonu, çıkış
katmanında ise doğrusal transfer fonksiyonu kullanılmıştır. YSA ağ topolojisi olarak geri yayılımlı YSA topolojisi
tercih edilmiş ve veriler normalize edilerek ağa sunulmuştur. Ağdan elde edilen sıcaklık değerleri gerçekte
ölçülen sıcaklık değerleri ile mukayese edilmiş ve sonuçların birbirlerine çok yakın ve yeterli hassasiyette olduğu
görülmüştür. Bu şekilde 4 farklı iç model için YSA metodunun kullanımı, modellerin açıklayıcılık ve tahmin etme
gücünü artırmıştır. In this study, two artificial neural network model and two separate neural networks for insulated and
uninsulated case of building walls insulated and uninsulated state of the heating pipes used for heating in studies in
the building here (ANN) a total of 4 separate models are used to make the model. In this case, 3-layer feed-forward
and back propagation neural network model in a model designed to have preferred shape. Sigmoid transfer function
in the hidden layer and the output layer is used in the linear transfer function. ANN network topology is preferred as
backpropagation neural network topology and data are presented normalized to the network. The temperature value
is obtained from the network is compared with the actually measured temperature values are compared and the
results were found to be very close to each other and the results were found to be sensitive enough. In this way, the
use of artificial neural network method to four different internal models forecast increased the explanatory power
of the model and predict