Συντάχθηκε 14-12-2023 09:35
Τόπος:
Έναρξη: 20/12/2023 10:30
Λήξη: 20/12/2023 11:30
ΑΝΑΚΟΙΝΩΣΗ ΠΑΡΟΥΣΙΑΣΗΣ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ
Όνοματεπώνυμο Φοιτητή: Αλέξανδρος Χάχαλης
Α.Μ.:2017050067
Ημερομηνία Παρουσίασης: 20/12/2023
Ώρα: 10.30
Αίθουσα: Τηλεδιάσκεψη
Θέμα ΔE «Αξιοποίηση Τεχνητών Νευρωνικών Δικτύων για την εκτίμηση της απόδοσης ενός συστήματος αντλιών θερμότητας εντός μιας πτηνοτροφικής εγκατάστασης»
Title «Artificial Neural Network Analysis of a heat pump system and its efficiency inside a broiler house»
Επιβλέπων: Καθηγητής Καρατζάς Γεώργιος
Τριμελής Εξεταστική Επιτροπή:
1.Καθηγητής Καρατζάς Γεώργιος
2.Καθηγητής Νικολαΐδης Νικόλαος
3.Αναπληρωτής Καθηγητής Μανωλάκος Δημήτριος (Γεωπονικό Πανεπιστήμιο Αθηνών)
Περίληψη:
Στα πλαίσια της παρούσας διπλωματικής εργασίας , αξιοποιούνται και εκπαιδεύονται τεχνητά νευρωνικά δίκτυα (ΤΝΔ) για την εκτίμηση του συντελεστή απόδοσης (COP) του συστήματος αντλιών θερμότητας εντός μιας πτηνοτροφικής εγκατάστασης . Το σύστημα αντλιών θερμότητας αξιοποιείται για την κάλυψη των θερμικών αναγκών της πτηνοτροφικής εγκατάστασης που στεγάζει 10000 νεαρά πουλερικά (broilers) στην περιοχή της Καβάλας.
Τα σχεδιαζόμενα τεχνητά νευρωνικά δίκτυα προσομοιώνουν τον συντελεστή απόδοσης (COP) της αντλίας θερμότητας που χρησιμοποιείται σε κάθε περίπτωση για θέρμανση, ψύξη και αφύγρανση. Ο σχεδιασμός των ΤΝΔ ξεκινά χρησιμοποιώντας τα δεδομένα που λήφθηκαν από τους Tyris et.al ,2023 ,οι οποίοι σχεδίασαν και μελέτησαν το σύστημα αντλιών θερμότητας , και περιλαμβάνουν τιμές για την εσωτερική θερμοκρασία και σχετική υγρασία εντός της εγκατάστασης , το θερμικό φορτίο των ζώων καθώς και τις τιμές του COP που υπολόγισε το δυναμικό μοντέλο τους. Αρχικά, δημιουργήθηκαν ο πίνακας εισόδου και το διάνυσμα στόχου , τα οποία αξιοποιεί το ΤΝΔ για την εκπαίδευση του. Ο πίνακας εισόδου αποτελείται από τα δεδομένα εσωτερικής θερμοκρασίας και σχετικής υγρασίας εντός της εγκατάστασης καθώς και το θερμικό φορτίο των ζώων. Επιπλέον, για την ταχύτερη σύγκλιση του ΤΝΔ πραγματοποιήθηκε προεπεξεργασία με κανονικοποίηση των δεδομένων εισόδου με την μέθοδο Z-score standardization. Το διάνυσμα στόχου, περιέχει τις προσομοιωμένες τιμές του συντελεστή απόδοσης που εκτίμησε το δυναμικό μοντέλο των Tyris et.al ,2023. Τα παραπάνω δεδομένα βάσει των οποίων εκπαιδεύονται τα ΤΝΔ αφορούν τις περιόδους (διάρκειας 35 ημερών) του χειμώνα (1/1- 5/2) και του καλοκαιριού (31/5-5/7) και περιλαμβάνουν για κάθε περίοδο 54000 τιμές καθώς το χρονικό βήμα μεταξύ μετρήσεων-δεδομένων είναι 1 λεπτό.
Ολοκληρώνοντας την προεπεξεργασία των δεδομένων εισόδου, πραγματοποιήθηκε η εκπαίδευση των ΤΝΔ με το εργαλείο Neural Fitting Tool (nftool) της Matlab και ο αλγόριθμος εκπαίδευσης που χρησιμοποιήθηκε ήταν ο Levenberg-Marquardt (LMA). Η εκπαίδευση των ΤΝΔ έλαβε χώρα για διαφορετικές παραμέτρους σε κάθε δοκιμή/προσομοίωση αυξάνοντας των αριθμός των κρυφών κόμβων ή αλλάζοντας τα ποσοστά εκπαίδευσης.
Στόχος της εκπαίδευσης των νευρωνικών δικτύων είναι η εύρεση του μοντέλου και των παραμέτρων του που δίνουν τα βέλτιστα αποτελέσματα με κριτήρια επιλογής αυτών την τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (RMSE) και τον συντελεστή συσχέτισης(R) . Συγκεκριμένα, είναι επιθυμητό το RMSE να είναι το ελάχιστο ενώ το R το μέγιστο μεταξύ των επιλεγμένων κρυφών κόμβων και ποσοστών εκπαίδευσης.
Στην συγκεκριμένη διπλωματική εργασία τα ΤΝΔ εκπαιδεύονται για την λειτουργία του συστήματος αντλιών θερμότητας κατά τις περιόδους του χειμώνα και του καλοκαιριού όπου λειτουργεί η θέρμανση και η ψύξη αντίστοιχα ενώ σε αμφότερες τις περιόδους χρησιμοποιείται και η αφύγρανση.
Συνολικά , ο αλγόριθμος Levenberg-Marquardt πέτυχε ελάχιστα σφάλματα RMSE και μέγιστο συντελεστή συσχέτισης της τάξεως 10-2 και 0.999 αντίστοιχα , για όλες τις περιόδους και θερμικές λειτουργίες. Παρά τα πολύ ικανοποιητικά αποτελέσματα, παρατηρήθηκε ότι το νευρωνικό δίκτυο δεν μπορεί να εκτιμήσει τις ακραίες τιμές, το οποίο πιθανώς οφείλεται στην απουσία ενδιάμεσων τιμών του συντελεστή απόδοσης βάσει τον οποίον εκπαιδεύτηκαν τα νευρωνικά δίκτυα.
Abstract:
In the context of this thesis, the utilization and training of artificial neural networks is examined to simulate the coefficient of performance (COP) of a heat pump (HP) system inside a broiler house. The heat pump system aims to cover the thermal needs of the broiler house that is located in Kavala and is housing a total of 10000 broilers.
Artificial neural networks simulate the coefficient of performance of the heat pump being utilized for heating, cooling and dehumidifying each time. As a first step, the dataset being used to design the ANN is provided by Tyris et.al ,2023, the research team that designed and studied the heat pump system, and includes values of indoor temperature and relative humidity, broilers’ thermal loads as well as the simulated values of COP that their dynamic model calculated. Initially, the input table and the target vector which the ANN utilizes for training, were created. The input table consists of the indoor temperature and relative humidity data within the facility as well as the heat load of the animals. In addition, for faster convergence of the ANN, preprocessing was performed by normalizing the input data using the Z-score standardization method. The target vector, contains the simulated values of the coefficient of performance estimated by the dynamic model of Tyris et.al ,2023. The above data on which the ANN are trained cover the periods (35 days duration) of winter (1/1- 5/2) and summer (31/5-5/7) and include 54000 values for each period as the time step between data is 1 minute.
After completing the preprocessing of the input data, the training of the ANN was performed using Matlab's Neural Fitting Tool (nftool) and the training algorithm used was Levenberg-Marquardt (LMA). Training of the ANN took place for different parameters in each test/simulation by increasing the number of hidden nodes or changing the training percentages.
The objective of neural network training is to find the model and its parameters that give the optimal results with the selection criteria of these being the root mean square error (RMSE) and the correlation coefficient (R). More specifically, it is desirable that RMSE is the minimum and R is the maximum among the selected hidden nodes and training percentages.
In this thesis, the ANN are trained for the operation of the heat pump system during the winter and summer periods when heating and cooling are used respectively, while in both periods dehumidification is also used.
Overall, the LM algorithm achieved minimum errors and maximum correlation coefficient of 10-2 and 0.999, respectively, for all periods and thermal modes. Despite these very satisfactory, results, it was observed that the neural network cannot estimate the outliers (values) for some hidden node trials, possibly because of the lack of intermittent values of the coefficient of performance (COP) based on which the neural networks were trained.
