مروری بر مدل‌های یادگیری ماشین نظارت‌شده در بهینه‌سازی سیستم‌های ذخیره‌سازی حرارت نهان PCM

سیف الدین, امیرعلی; نادعلی پور کلده, شیدا; اله ربی شیرازی, محمدعلی

doi:10.30506/mmep.2026.2072015.2265

مروری بر مدل‌های یادگیری ماشین نظارت‌شده در بهینه‌سازی سیستم‌های ذخیره‌سازی حرارت نهان PCM

نوع مقاله : -

نویسندگان

امیرعلی سیف الدین ¹

شیدا نادعلی پور کلده ²

محمدعلی اله ربی شیرازی ³

¹ دانشیار، دانشکدۀ انرژی و منابع پایدار، رئیس موسسه فناوری‌های نرم، دانشکدگان علوم و فناوری های میان رشته ای، دانشگاه تهران

² دانشجوی کارشناسی ارشد، دانشکدۀ انرژی و منابع پایدار، دانشکدگان علوم و فناوری های میان رشته ای، دانشگاه تهران

³ دانشجوی دکتری، دانشکدۀ انرژی و منابع پایدار، دانشکدگان علوم و فناوری های میان رشته ای، دانشگاه تهران

10.30506/mmep.2026.2072015.2265

چکیده

در این پژوهش، مروری جامع بر کاربرد مدل‌های یادگیری ماشین نظارت‌شده در پیش‌بینی و بهینه‌سازی عملکرد سیستم‌های ذخیره‌سازی حرارت نهان با استفاده از مواد تغییر فاز انجام شده است. هدف اصلی مطالعه، شناسایی مدل‌های پرکاربرد، مقایسه دقت آن‌ها و بررسی نوآوری‌های طراحی هندسی و بهبود انتقال حرارت در این سیستم‌ها می‌باشد. نتایج نشان داد که شبکه‌های عصبی مصنوعی و عمیق به‌عنوان محبوب‌ترین مدل‌ها، اغلب در ترکیب با الگوریتم‌های تکاملی نظیر الگوریتم ژنتیک و بهینه‌سازی ازدحام ذرات برای بهینه‌سازی هم‌زمان به کار گرفته شده‌اند. سایر مدل‌های مؤثر شامل جنگل تصادفی و رگرسیون بردار پشتیبان برای داده‌های محدود و مدل‌های تقویتی (XGBoost و LightGBM) برای بهبود دقت و تفسیرپذیری می‌باشند. همچنین، رگرسیون فرایند گاوسی با قابلیت تخمین عدم‌قطعیت در برخی مطالعات به کار رفته است. این مرور بیان می‌کند که یادگیری ماشین توانسته محدودیت‌های مدل‌سازی دینامیک سیالات محاسباتی را جبران کرده و روابط پیچیده میان پارامترهای هندسی و عملیاتی را با دقت بالا مدل‌سازی نماید. در نهایت، استفاده از مدل‌های ترکیبی و رویکردهای چندهدفه، راهکار مؤثری برای بهینه‌سازی سیستم‌های ذخیره‌سازی حرارت نهان مبتنی بر مواد تغییر فاز خواهد بود.

کلیدواژه‌ها

مدلسازی سیستم‌های انرژی

ذخیره ساز حرارت انرژی نهان

مواد تغییر فاز دهنده

یادگیری ماشین

مدل‌های یادگیری ماشین نظارت شده

موضوعات