基于机器学习结合贝叶斯优化算法的管式太阳能蒸馏器性能预测
应用物理
2020-02-11 v1 计算物理
摘要
本文提出了一种利用两种机器学习（ML）技术即随机森林（RF）与人工神经网络（ANN）的管式太阳能蒸馏器（TSS）产水量的新一代预测模型。预测模型基于在埃及气候下记录的实验数据建立。气象与运行热参数被用作输入层。此外，采用贝叶斯优化算法（BOA）以获取RF与ANN模型的最优性能。并且，这些模型的结果与多元线性回归（MLR）模型的结果进行了比较。结果显示，实验上平均累积产水量为4.3 L/(m2day)。就模型结果而言，RF对超参数的敏感性低于ANN，因为ANN性能可通过BOA比RF更显著地改善。此外，RF在当前数据集上对TSS实现了更好的预测性能。RF与ANN的决定系数（R2）分别为0.9964与0.9977，远高于MLR模型的0.9431。基于鲁棒性能与高精度，推荐RF作为预测TSS产水量的稳定方法。
引用
@article{arxiv.2002.03886,
title = {Prediction of tubular solar still performance by machine learning integrated with Bayesian optimization algorithm},
author = {Yunpeng Wang and A. W. Kandeal and Ahmed Swidan and Swellam W. Sharshir and Gamal B. Abdelaziz and M. A. Halim and A. E. Kabeel and Nuo Yang},
journal= {arXiv preprint arXiv:2002.03886},
year = {2020}
}