DESEMPENHO DE MÉTODOS DE APRENDIZADO DE MÁQUINA PARA ESTIMATIVA DE TEMPERATURA DE COLETORES SOLARES COM NANOFLUIDOS

Resumo

O objetivo do 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) no período entre outubro e dezembro de 2018, das 06:00 às 18:00 horas, 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) 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 do nanofluido. Foram utilizados neste trabalho sete modelos numéricos para estimativa de temperatura e variação de temperatura: Regressão de Ridge, LASSO, Elastic Net, 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, sendo o RMSE utilizado para a escolha do modelo com melhor desempenho. Os resultados apontam que, dentre os modelos analisados, o Ensemble MARS mostrou o melhor desempenho RMSE nas quatro concentrações de nanofluido. O melhor RMSE foi encontrado na concentração de 25 ppm, com valor de 0,1367 °C . Assim, o modelo computacional apresentou uma eficiência 42,9% superior em relação ao modelo físico.