Optimizing neural network architectures for ground temperature prediction in ground source heat pump systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ground source heat pump (GSHP) systems typically use vertical borehole heat exchangers (BHEs) as heat sources or sinks. The performance of GSHP systems is highly dependent on the ground temperature surrounding the BHEs, which varies with several parameters during operation. Accurate prediction of this temperature is crucial for optimizing the design and sizing of the BHEs.This study proposes an approach using artificial neural networks (ANNs) to model temperature variations around the borehole based on six operational parameters: time, ground thermal diffusivity, porosity, groundwater speed, heat extraction rate, and distance from the borehole. Various ANN configurations were explored to derive an explicit mathematical equation from the relationships stored within the trained ANN model. The Levenberg–Marquardt algorithm was identified as the most suitable for training, achieving a maximum accuracy of R2 = 0.9997 with ten neurons and the Tansig transfer function in both layers. Simpler configurations, such as an ANN with two neurons (R2 = 0.9783) and one neuron (R2 = 0.9437), were also evaluated to provide more practical equations with reduced complexity.The results demonstrate that careful selection of ANN structure is essential for balancing accuracy and usability. The derived mathematical equations can assist system designers in predicting ground temperature changes for different operational conditions, thus optimizing GSHP system performance. Future work will validate the model with real-world GSHP data to further enhance its practical applicability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle