فهرست نشریات علمی دسترسی آزاد ایران

در این پژوهش، مطالعه­ای مقایسه­ای بین مدل­های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج فازی­- عصبی تطبیقی (ANFIS) و برنامه­ریزی بیان ژن (GEP) برای برآورد تابش خورشیدی ماهانه صورت گرفت. بدین منظور، از داده­های 24 ساله ایستگاه همدیدی تبریز، شامل تابش کل خورشیدی (RS, MJ m−2)، ساعات آفتابی و دمای هوا (°C) بهره گرفته شد. برای اجرای مدل­های هوش مصنوعی، ترکیب جدیدی از ورودی­ها، شامل متوسط ماهانه شاخص صـاف بودن آسمان (KT)، متوسط ماهانه تفاضل دمای بیشینه از دمای کمینه (ΔT)، ساعات آفتابی نسبی ( ) و متوسط ماهانه تـابش فرازمینـی روزانه (Ra)، به کار گرفته شد. با توجه به این­که کمترین مقادیر آماره­های MBE  و RMSE (به ترتیب برابر با 13/0 و 97/1 مگاژول بر متر مربع) و بیشترین مقدار R2 (92/0)، با استفاده از نتایج مدل شبکه عصبی مصنوعی به­دست آمد، لذا ANN به‌عنوان بهترین مدل برای برآورد تابش کل آفتابی ماهانه انتخاب شد. همچنین استفاده از نمودارهای چارک­- چارک، نشان داد که هرچند، شبکه عصبی مصنوعی، بهترین برازش را برای داده­های تابش کل خورشیدی ماهانه ارائه می­کند، اما توانایی این مدل در برآورد مقادیر بالای تابش کل خورشیدی ماهانه کاهش می­یابد.  لذا استفاده از این مدل برای مناطق با میزان تابش دریافتی کمتر توصیه می­شود. عملکرد مدل ANFIS در تحت پوشش قرار دادن مقادیر بالا و پائین (چارک­های چهارم و اول) از سایر مدل­ها بهتر بود. بنابراین مزیت مدل ANFIS را در برآورد دقیق­تر مقادیر بزرگتر تابش خورشیدی است و از این مدل برای برآورد تابش خورشیدی در مناطق با میزان بالای دریافتی تابش خورشیدی می­توان بهره برد. علاوه بر این، بر خلاف نتایج پژوهش­های پیشین که عملکرد مدل GEP برای برآورد تابش آفتابی روزانه را رضایت بخش ارزیابی نکرده بودند، نتایج پژوهش حاضر نشان داد که استفاده از مدل GEP برای برآورد تابش آفتابی کل ماهانه، به ویژه در محدوده 250 تا 800 مگاژول بر متر مربع رضایت‌بخش است. بنابراین می­توان چنین نتیجه گرفت که توانایی مدل GEP در مدل­سازی پدیده­هایی با نوسانات کمتر و محدوده کوچک­تر بیشتر است.