APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER
In this paper, an artificial neural network was used to predict the thermal state of an air-soil heat exchanger. The artificial neural network was trained, tested, and validated using experimental data obtained at the Institutes of Engineering Thermophysics and Renewable Energy of the National Acade...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| Hauptverfasser: | , , , , |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
Institute of Renewable Energy National Academy of Sciences of Ukraine
2025
|
| Schlagworte: | |
| Online Zugang: | https://ve.org.ua/index.php/journal/article/view/537 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Vidnovluvana energetika |
Institution
Vidnovluvana energetika| id |
veorgua-article-537 |
|---|---|
| record_format |
ojs |
| institution |
Vidnovluvana energetika |
| baseUrl_str |
|
| datestamp_date |
2025-08-16T18:55:01Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
artificial neural network air-soil heat exchanger modeling thermal regime prediction thermal state of the soil. |
| spellingShingle |
artificial neural network air-soil heat exchanger modeling thermal regime prediction thermal state of the soil. Basok , B. Novitska, M. Zurian , O. Sylniahin , M. Davydenko , D. APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER |
| topic_facet |
artificial neural network air-soil heat exchanger modeling thermal regime prediction thermal state of the soil. штучна нейронна мережа повітряно-ґрунтовий теплообмінник моделювання прогнозування теплового режиму тепловий стан ґрунту. |
| format |
Article |
| author |
Basok , B. Novitska, M. Zurian , O. Sylniahin , M. Davydenko , D. |
| author_facet |
Basok , B. Novitska, M. Zurian , O. Sylniahin , M. Davydenko , D. |
| author_sort |
Basok , B. |
| title |
APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER |
| title_short |
APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER |
| title_full |
APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER |
| title_fullStr |
APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER |
| title_full_unstemmed |
APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER |
| title_sort |
application of an artificial neural network for predicting the thermal state of an air-soil heat exchanger |
| title_alt |
ЗАСТОСУВАННЯ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ПРОГНОЗУВАННЯ ТЕПЛОВОГО СТАНУ ПОВІТРЯНО-ҐРУНТОВОГО ТЕПЛООБМІННИКА |
| description |
In this paper, an artificial neural network was used to predict the thermal state of an air-soil heat exchanger. The artificial neural network was trained, tested, and validated using experimental data obtained at the Institutes of Engineering Thermophysics and Renewable Energy of the National Academy of Sciences of Ukraine. A simple Sequential neural network was used for calculations. The input parameters for the neural network were the air temperature at the heat exchanger inlet, its humidity, and the outlet temperature for the previous hour. The Tensorflow API and its Keras module were used for calculations. The base model was built using one hidden layer and 10 neurons. The paper analyzes the influence of various factors, namely the number of hidden layer neurons, the number of layers, the number of iterations, various optimizers, and activation functions on the model's performance. The experimental data for analysis in all the considered variants were divided in the proportions of 70%, 15%, 15% for training the neural network, its validation, and testing, respectively. Three variants of models using different data as input neurons are considered. As a result, the root mean square error for the test part of the data set varies from 0.05 to 0.949 °C. The mean bias error of the predicted data from the experimental data was found in the model using the air inlet temperature of the air-soil heat exchanger, humidity, and outlet temperature for the previous hour, and it was -0.001 °C. Testing of the proposed models showed that the artificial neural network predicts the temperature at the outlet of the air-soil heat exchanger, taking into account the influence of weather conditions, with satisfactory accuracy. Accordingly, artificial neural networks can be used to predict the thermal state of an air-soil heat exchanger, such as a heat pump, for which weather conditions are one of the main determining factors. In order to set up heat pump systems, experimental data are needed to describe the thermal state of shallow soils and the actual geology. |
| publisher |
Institute of Renewable Energy National Academy of Sciences of Ukraine |
| publishDate |
2025 |
| url |
https://ve.org.ua/index.php/journal/article/view/537 |
| work_keys_str_mv |
AT basokb applicationofanartificialneuralnetworkforpredictingthethermalstateofanairsoilheatexchanger AT novitskam applicationofanartificialneuralnetworkforpredictingthethermalstateofanairsoilheatexchanger AT zuriano applicationofanartificialneuralnetworkforpredictingthethermalstateofanairsoilheatexchanger AT sylniahinm applicationofanartificialneuralnetworkforpredictingthethermalstateofanairsoilheatexchanger AT davydenkod applicationofanartificialneuralnetworkforpredictingthethermalstateofanairsoilheatexchanger AT basokb zastosuvannâštučnoínejronnoímerežídlâprognozuvannâteplovogostanupovítrânogruntovogoteploobmínnika AT novitskam zastosuvannâštučnoínejronnoímerežídlâprognozuvannâteplovogostanupovítrânogruntovogoteploobmínnika AT zuriano zastosuvannâštučnoínejronnoímerežídlâprognozuvannâteplovogostanupovítrânogruntovogoteploobmínnika AT sylniahinm zastosuvannâštučnoínejronnoímerežídlâprognozuvannâteplovogostanupovítrânogruntovogoteploobmínnika AT davydenkod zastosuvannâštučnoínejronnoímerežídlâprognozuvannâteplovogostanupovítrânogruntovogoteploobmínnika |
| first_indexed |
2025-07-17T11:40:04Z |
| last_indexed |
2025-09-17T09:27:37Z |
| _version_ |
1850411732464304128 |
| spelling |
veorgua-article-5372025-08-16T18:55:01Z APPLICATION OF AN ARTIFICIAL NEURAL NETWORK FOR PREDICTING THE THERMAL STATE OF AN AIR-SOIL HEAT EXCHANGER ЗАСТОСУВАННЯ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ ПРОГНОЗУВАННЯ ТЕПЛОВОГО СТАНУ ПОВІТРЯНО-ҐРУНТОВОГО ТЕПЛООБМІННИКА Basok , B. Novitska, M. Zurian , O. Sylniahin , M. Davydenko , D. artificial neural network, air-soil heat exchanger, modeling, thermal regime prediction, thermal state of the soil. штучна нейронна мережа, повітряно-ґрунтовий теплообмінник, моделювання, прогнозування теплового режиму, тепловий стан ґрунту. In this paper, an artificial neural network was used to predict the thermal state of an air-soil heat exchanger. The artificial neural network was trained, tested, and validated using experimental data obtained at the Institutes of Engineering Thermophysics and Renewable Energy of the National Academy of Sciences of Ukraine. A simple Sequential neural network was used for calculations. The input parameters for the neural network were the air temperature at the heat exchanger inlet, its humidity, and the outlet temperature for the previous hour. The Tensorflow API and its Keras module were used for calculations. The base model was built using one hidden layer and 10 neurons. The paper analyzes the influence of various factors, namely the number of hidden layer neurons, the number of layers, the number of iterations, various optimizers, and activation functions on the model's performance. The experimental data for analysis in all the considered variants were divided in the proportions of 70%, 15%, 15% for training the neural network, its validation, and testing, respectively. Three variants of models using different data as input neurons are considered. As a result, the root mean square error for the test part of the data set varies from 0.05 to 0.949 °C. The mean bias error of the predicted data from the experimental data was found in the model using the air inlet temperature of the air-soil heat exchanger, humidity, and outlet temperature for the previous hour, and it was -0.001 °C. Testing of the proposed models showed that the artificial neural network predicts the temperature at the outlet of the air-soil heat exchanger, taking into account the influence of weather conditions, with satisfactory accuracy. Accordingly, artificial neural networks can be used to predict the thermal state of an air-soil heat exchanger, such as a heat pump, for which weather conditions are one of the main determining factors. In order to set up heat pump systems, experimental data are needed to describe the thermal state of shallow soils and the actual geology. У роботі було використано штучну нейронну мережу для прогнозування теплового стану повітряно-ґрунтового теплообмінника. Навчання, тестування та валідацію штучної нейронної мережі проведено з використанням експериментальних даних, що були отримані в Інституті технічної теплофізики та Інституті відновлюваної енергетики НАН України. Для розрахунків було використано просту нейронну мережу Sequential. Як вхідні параметри для нейронної мережі використовувались температура повітря на вході в теплообмінник, його вологість та температура на виході за попередню годину. Для розрахунків використовувався інтерфейс прикладного про-грамування Tensorflow API та його модуль Keras. Базова модель складалась з використанням одного прихованого шару та 10 нейронів. У роботі наведено аналіз впливу різних факторів на показники ефективності моделі, а саме кількості нейронів прихованого шару, кількості шарів, кількості ітерацій, різних оптимізаторів та функцій активації. Експериментальні дані для аналізу в усіх розглянутих варіантах було поділено у пропорції 70, 15 і 15 % для навчання нейронної мережі, її валідації та тестування, відповідно. Розглянуто три варіанти моделей з використанням різних даних як вхідних нейронів. У результаті виявлено, що коефіцієнт середньоквадратичного відхилення для тестової частини масиву даних варіюється від 0,05 до 0,949 °С. Мінімальне середнє відхилення прогнозованих даних від експериментальних було в моделі з використанням температури повітря на вході в повітряно-ґрунтовий теплообмінник, вологості й температури на виході за попередню годину, воно становило -0,001 °С. Тестування запропонованих моделей показало, що штучна нейронна мережа прогнозує температуру на виході з повітряно-ґрунтового теплообмінника з урахуванням впливу погодних умов із задовільною точністю. Відповідно, штучні нейронні мережі можна використовувати для прогнозування теплового стану повітряно-ґрунтового теплообмінника, наприклад теплового насоса, для якого погодні умови є одним з основних визначальних факторів. Для налаштування теплонасосних систем необхідні експериментальні дані, що представляють опис теплового стану ґрунтів неглибокого залягання та реальної геології. Institute of Renewable Energy National Academy of Sciences of Ukraine 2025-06-30 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/537 10.36296/1819-8058.2025.2(81).162-172 Возобновляемая энергетика; № 2(81) (2025): Scientific and applied Journal renewable energy ; 162-172 Відновлювана енергетика; № 2(81) (2025): Науково-прикладний журнал Відновлювана енергетика; 162-172 Vidnovluvana energetika ; No. 2(81) (2025): Scientific and applied Journal renewable energy ; 162-172 2664-8172 1819-8058 10.36296/1819-8058.2025.2(81) uk https://ve.org.ua/index.php/journal/article/view/537/445 Copyright (c) 2025 Vidnovluvana energetika |