APLICAÇÃO DE INTELIGÊNCIA ARTIFICIAL NA ANÁLISE DO EFEITO DO TIPO DA PINTURA DO ABSORVEDOR E DO TIPO DE CONTATO PLACA-TUBO NA PRODUÇÃO DE ENERGIA DE COLETORES SOLARES
DOI:
https://doi.org/10.59627/cbens.2024.2495Palavras-chave:
Inteligência Artificial, Produção de Energia, Projeto do Coletor SolarResumo
O uso da Inteligência artificial (IA) tem se expandido nos últimos anos, particularmente quando se trata do tema aprendizado de máquina. Nesse contexto, este trabalho propõe a aplicação do algoritmo de classificação Naïve Bayes (NB) treinado por um banco de dados de resultados de ensaios de eficiência energética em coletores solares planos, no âmbito do Programa Brasileiro de Etiquetagem (PBE Solar). O objetivo é propor um método para prever a probabilidade de que um coletor solar, que apresente a priori determinadas evidências construtivas: pintura especial ou comum na placa absorvedora e contato placa-tubo por solda ou encaixe mecânico, obtenha classificação “A” no PBE Solar. Na medida em que o banco de dados aumenta, o aprendizado do algoritmo NB é reforçado e a inferência se torna mais acurada. Os resultados, para um banco de dados de 40 coletores, mostraram que a observação de pintura especial e solda resulta na probabilidade de 88,7% de que o coletor obtenha classificação “A”. Quando, ao invés da solda, verifica-se encaixe mecânico (mantendo a pintura especial) a probabilidade se reduz para 43,3% e quando, ao invés da pintura especial, observa-se pintura comum (mantendo a solda) a probabilidade diminui para 35,2%. Por fim, obteve-se que se nem pintura especial tampouco solda são observadas, a probabilidade do evento alvo é de apenas 5%. Adicionalmente, aplicou-se o algoritmo para outros tamanhos de banco de dados, e não havendo variação significativa nos resultados, constatou-se que a quantidade de dados utilizada foi satisfatória. Como conclusão geral, o trabalho comprovou o grande impacto da pintura especial ou tratamento seletivo na superfície da placa, assim como a importância da soldagem dos tubos na placa, para a produção de energia do aquecedor. Trabalhos futuros poderão mensurar esse efeito em termos econômicos e também usar o algoritmo para avaliar outras características de projeto do coletor.
Downloads
Referências
Ahmad, M., Reynolds, J., Rezgui, Y. 2018. Predictive modelling for solar thermal energy systems: A comparison of support vector regression, random forest, extra trees and regression trees, Journal of Cleaner Production, vol. 203, pp. 810-821.
Ara, A. B., Musetti, A. V., Schneiderman, B. 2003. Introdução à Estatística, Editora Edgard Blücher Ltda.
Ara, P. J. S. 2022. Influência relativa dos parâmetros de projeto na eficiência térmica de coletores solares planos utilizando simulações em Fluidodinâmica Computacional, Tese de Doutorado, Escola Politécnica da Universidade de São Paulo, São Paulo.
Bettoni, D., Soppelsa, A., Fedrizzi, R., Matamoros, R. 2019. Analysis and Adaptation of Q-Learning Algorithm to Expert Controls of a Solar Domestic Hot Water System, Applied System Innovation, vol. 2, n. 15., pp. 1-25.
Caner, M., Gedik, E., Kecebas, A. 2011. Investigation on thermal performance calculation of two type solar air collectors using artificial neural network, Expert Systems with Applications, vol. 38, pp. 1668-1674.
Correa-Jullian, C., Droguett, E., Cardemil, J. 2020. Operation scheduling in a solar thermal system: A reinforcement learning based framework, Applied Energy, vol. 268, pp. 1-16.
Duffie, J. A., Beckman, W. A., 2013. Solar Engineering of Thermal Processes, John Wiley & Sons. 4ª Edição.
Feierl, L., Unterberger, V., Rossi, C., Gerardts, B, Gaetane, M. 2023. Fault detective: Automatic fault-detection for solar thermal systems based on artificial intelligence, Solar Energy Advances, vol. 3. Artigo submetido e apresentado na Conferência EuroSun 2022.
INMETRO, 2021. Regulamento técnico da qualidade para equipamentos de aquecimento solar de água (Portaria Nº 420/21). Disponível em: http://www.inmetro.gov.br/legislacao. Acesso: 08 nov. 2023.
Sacomano, J. B. et al. Indústria 4.0: conceitos e fundamentos. Editora Edgard Blücher Ltda.
Taboada, I., Daneshpajouh, A., Toledo, N., de Vass, T. 2023. Artificial intelligence enabled project management: A systematic literature review, Applied Sciences, vol. 13, pp. 1-23.
Yaïci, W., Entchev, E. 2014. Performance prediction of a solar thermal energy system using artificial neural networks, Applied Thermal Engineering, vol. 73, n. 1, pp. 1348-1359.
