The world population is increasingly aware of environmental issues involving our planet. In search of solutions that will contribute to the conservation of the environment, you can use the renewable energies that are in great expansion, being the use of solar energy a solution for this purpose. This study aimed to evaluate the energy absorption capacity of a hybrid silver nanofluid and titanium dioxide used for direct solar absorption in a "Solar Wall." The experiments performed were exposed for 16 hours for several days. Various concentrations were analyzed, where a concentration of 23.2 ppm titanium dioxide was set, and silver varied to 0.40625 ppm, 0.8125 ppm, 1.625 ppm, and 3.25 ppm corresponding to a 3% molar fraction. 6%, 12% and 25% respectively. An analysis of the temperature profile was made, which showed a better utilization of the sample with a 12% molar fraction that obtained a temperature gain of 8.3 ° C corresponding to a 14.9% gain. An analysis of the stored energy ratio was analyzed, observing a good response of nanofluids at the early solar incidence and a maximum stored energy for the sample of 6%. The other metric analyzed was the specific absorption rate that reached a maximum value of 0.009293 KW / g. The work showed that for the preparation of hybrid nanofluid, not always increasing the silver concentration implied better results and through temperature profile analysis and energy analysis metrics, it was concluded that a silver concentration of 0.8125 ppm together With a concentration of 23.2 ppm (6% molar fraction) better gains are obtained for the use of nanofluid in the solar wall.
Neste trabalho, previsões da média diária de irradiação solar global foram obtidas pela aplicação de algoritmos de aprendizagem de máquina em dois conjuntos de dados formados por variáveis exógenas (insolação, temperatura do ar, precipitação, etc), variáveis endógenas (série temporal da média diária de irradiação solar global) e variáveis temporais (ano, mês e dia da medição). A diferença entre os conjuntos de dados está relacionada ao fato de que em um se considera as intensidades dos fenômenos climáticos do El Niño e da La Niña como preditores para os modelos de aprendizagem utilizados, enquanto no outro não se considera. Desta forma, foi possível avaliar se a adição do preditor relacionado ao El Niño/La Niña contribui para uma melhor acurácia de previsão por parte dos modelos aplicados: Máquina de Aprendizagem Mínima, Regressão por Vetor Suporte, Florestas Aleatórias, K-Vizinhos mais Próximos e uma árvore de regressão com o uso de Bootstrap. As métricas de erro Erro Médio Absoluto, Erro de Viés Médio, Raiz do Erro Quadrático Médio, Raiz do Erro Quadrático Médio Relativo e Habilidade de Previsão foram utilizadas para a análise do desempenho dos algoritmos. A média aritmética da Raiz do Erro Quadrático Médio e da Habilidade de Previsão para o caso em que se considerou o El Niño/La Niña como atibutos foram de 40.78 W/m² e 7,87% , respectivamente. Já para o caso em que não se considera tais preditores os valores obtidos foram de 40.86 W/m² e 7.69%. Indicando que o uso destes preditores aumenta a acurácia de previsão dos algoritmos em questão.
Previsões de irradiação solar global de curto prazo no horizonte de previsão de 30 minutos a posteriori foram obtidas por meio da aplicação de algoritmos de aprendizagem de máquina em conjuntos de dados constituídos por sinais coletados por sensores de resistência dependente da luz e descritores estatísticos (média, desvio padrão e entropia de Shannon) extraídos de imagens do céu capturadas por uma câmera. A integração de tais sensores é feita por meio do Raspberry Pi 3, um computador que tem o tamanho de um cartão usado principalmente em projetos de programação, robótica e em iniciativas em geral com software e hardware livre. Desta forma, foi possível avaliar se a adição de preditores obtidos de imagens do céu proporcionam melhorias no desempenho dos modelos de aprendizagem de máquina utilizados, a saber: Árvore de decisão com um procedimento de Bagging, Florestas Aleatórias e K-Vizinhos Mais Próximos. Além disso, também foi avaliado se o uso dos filtros de suavização da mediana e o de aguçamento do laplaciano da gaussiana nas imagens ocasiona melhoras no desempenho relativo ao caso em que se obtém os descritores estatísticos das imagens sem a aplicação de nenhum filtro. A acurácia dos métodos é determinada pelo cálculo das métricas de erro Erro Médio Absoluto, Raiz do Erro Quadrático Médio, Raiz do Erro Quadrático Médio Relativo e a Habilidade de Previsão. A média aritmética da Raiz do Erro Quadrático Médio para os modelos quando se considerou como atributos apenas o valores fornecidos pelos sensores de luminosidade foi de 165,49 W/m², já para o caso em que se adiciona informações das imagens não filtradas obteve-se 154,01 W/m², para o caso de se adicionar informações de imagens filtradas pelo filtro da mediana teve-se um valor de 153,69 W/m², por fim, para o outro filtro obteve-se 162,24 W/m².
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.