Mejoramiento del rendimiento térmico del sistema de los colectores solares de canal parabólico mediante la inteligencia artificial

RESUMEN El presente trabajo de investigación llevó a cabo una nueva estrategia capaz de mejorar el rendimiento térmico del colector solar de canal parabólico (CCP) mediante la determinación de las condiciones óptimas de más de una variable de entrada del sistema CCP. Para ello, se desarrolló una red neuronal artificial inversa multivariable (ANNim) mediante la aplicación de dos funciones de transferencia en combinación con los algoritmos metaheurísticos. De primera instancia, se realizaron dos modelos ANN para predecir la eficiencia térmica (ɳʈ,) del CCP. Un modelo emplea un algoritmo genético (GA) y el otro un algoritmo de optimización de enjambre de partículas (PSO). Ambos modelos ANNim-GA y ANNim-PSO fueron validados y comparados en detalle. Se describe también la metodología para la aplicación de ANNim-GA y ANNim-PSO. Los resultados mostraron que ambos modelos desarrollados de ANN lograron resultados satisfactorios con un coeficiente de determinación de 0.9511 y una raíz del error cuadrático medio de 0.0193. Posteriormente, para obtener los valores óptimos de las variables: ángulo de borde, temperatura de entrada y caudal volumétrico de agua, ambos modelos ANN se invirtieron para adquirir la función objetivo multivariable que se resuelve con GA y PSO. La función Tansing demostró una mejor adaptación al modelo ANNim al encontrar todas las variables de entrada en una prueba aleatoria con un error de 3.96% con un tiempo computacional de 14.39 s aplicando PSO. Los resultados mostraron que al utilizar la metodología ANNim es factible mejorar el desempeño del CCP optimizando desde una, dos y tres variables al mismo tiempo. Al optimizar una variable a la vez, fue posible aumentar el rendimiento de una prueba aleatoria hasta 54.78%, 27.62% y 51.92% al encontrar la temperatura de entrada, el ángulo de borde y el caudal volumétrico de agua, respectivamente. Al optimizar dos variables simultáneamente, fue posible aumentar el rendimiento de una prueba aleatoria hasta en un 36.73% al encontrar la temperatura de entrada y el caudal volumétrico de agua adecuados. Al optimizar tres variables simultáneamente, fue posible aumentar una prueba experimental aleatoria de hasta un 67.12%. Finalmente, el nuevo método ANNim propuesto puede incrementar la eficiencia térmica de un CCP en tiempo real debido al acoplamiento de algoritmos metaheurísticos que permiten obtener variables óptimas en el menor tiempo posible. Por tanto, puede ser un método prometedor y ampliamente utilizado para optimizar y controlar los procesos térmicos.

ABSTRACT In the present research work, a new strategy capable of improving a parabolic trough solar collector (PTSC)'s thermal performance by determining the optimal conditions of more than a single input variable of the PTSC system was carried out. For this reason, a multivariable inverse artificial neural network (ANNim) is developed by applying two transfer functions combined with metaheuristic algorithms. At first, two ANN models were performed to predict the PTSC thermal efficiency (ɳʈ,) validated, and compared in detail. The methodology for the application of ANNim-GA and ANNim-PSO is also described in more detail. The results showed that both ANN models developed achieved satisfactory results with a coefficient of determination of 0.9511 and a root mean square error of 0.0193. Then, to obtain the optimal values of the variable: rim angle, inlet temperature, and volumetric flow rate of water, both ANN models were inverted to acquire the multivariate objective function that could be solved with genetic algorithms (GA) and particle swarm optimization (PSO). The Tansing function demonstrated better adaptation to the ANNim model by finding all the input variables in a random test with an error of 3.96% with a computational time of 14.39 s applying PSO. The results showed that by using the ANNim methodology, it is feasible to improve the performance of the PTSC by optimizing from one, two, and three variables at the same time. In optimizing one variable at a time, it was possible to increase a random test's performance up to 54.78%, 27.62%, and 51.92% by finding the rim-angle inlet-temperature and water volumetric flow rate, respectively. In optimizing two variables simultaneously, it was possible to increase a random test's performance up to 36.73% by finding the appropriate inlet-temperature and water volumetric flow rate. In optimizing three variables simultaneously, it was possible to increase a random experimental test of up to 67.12%. Finally, the new ANNim method proposed may increase the thermal efficiency of a PTSC in real-time because of the coupling of metaheuristic algorithms that allow obtaining optimal variables in the shortest possible time. Therefore, it can be a promising and widely used method for optimizing and controlling thermal processes.