Analyse comparative des modèles d'apprentissage peu profond et hybride profond pour prédire l'efficacité de refroidissement d’un panneau photovoltaïque refroidi par nanofluides selon plusieurs matériaux

Pourquoi il est important de garder les panneaux solaires au frais

Les panneaux solaires fonctionnent mieux lorsqu’ils restent frais, mais sous un fort ensoleillement leur température peut grimper, réduisant progressivement la quantité d’électricité qu’ils produisent. Pour les particuliers, les gestionnaires de réseaux et tous ceux qui misent sur l’énergie propre, cette baisse de performance signifie moins de kilowattheures que prévu. Cette étude examine une nouvelle approche du refroidissement des panneaux : faire circuler des « nanofluides » derrière un panneau solaire et utiliser l’intelligence artificielle pour prédire l’efficacité du refroidissement. L’objectif est de réduire les essais extérieurs lents et coûteux tout en maintenant l’efficacité des panneaux solaires dans des conditions réelles de chaleur.

Comment de minuscules particules peuvent aider des panneaux chauds

Les panneaux solaires standards restent simplement exposés au soleil et chauffent, ce qui réduit leur rendement d’environ 0,5 % par degré Celsius d’augmentation de température. Une façon de lutter contre cela est de refroidir activement le panneau à l’aide d’un réseau fin de tubes fixé à l’arrière. Dans ce dispositif, un liquide est pompé à travers les tubes pour évacuer la chaleur. Plutôt que d’utiliser uniquement de l’eau pure, les chercheurs ont testé des nanofluides : de l’eau contenant des particules extrêmement fines d’oxyde d’aluminium (Al₂O₃) ou d’oxyde de titane (TiO₂) à de très faibles fractions volumiques (0,01 %, 0,1 % et 1 %). Ces nanoparticules peuvent améliorer la capacité du liquide à capter et transporter la chaleur, permettant potentiellement de garder le panneau plus frais et plus efficace qu’avec de l’eau seule.

Essais en extérieur dans des conditions réelles sur sept fluides

L’équipe a installé deux panneaux solaires identiques de 50 watts sur le campus d’une université située dans une région chaude et sèche de Turquie. Un panneau était équipé de tubes et d’ailettes en cuivre à l’arrière pour le refroidissement, tandis que l’autre restait non refroidi comme référence. Une pompe faisait circuler soit de l’eau, soit l’un des six mélanges de nanofluides à un débit fixe dans les tuyaux de refroidissement. Sur plusieurs jours, ils ont collecté des mesures extérieures toutes les 30 minutes pendant des périodes de six heures, créant 13 points de données par fluide. Pour chaque essai, ils ont enregistré l’irradiance solaire, la vitesse du vent, la température de l’air, les températures de surface du panneau à plusieurs endroits, les températures d’entrée et de sortie du fluide, ainsi que la tension et le courant électriques des panneaux refroidi et non refroidi. À partir de ces mesures, ils ont calculé combien le système de refroidissement améliorait le rendement électrique du panneau.

Apprendre aux algorithmes à remplacer les expériences

Parce que répéter des essais extérieurs d’une journée complète pour chaque nouveau fluide ou condition de fonctionnement est lent et demande beaucoup de main-d’œuvre, les auteurs ont entraîné des modèles informatiques à apprendre la relation entre les conditions mesurées et l’efficacité de refroidissement obtenue. Ils ont testé plusieurs approches relativement simples — régression bayésienne de Ridge, régression par vecteurs de support et forêts aléatoires — ainsi qu’un modèle hybride profond plus avancé combinant réseaux de neurones convolutionnels (CNN) et unités à mémoire à long terme (LSTM). Les modèles « peu profonds » plus simples traitaient chaque instantané de mesure indépendamment, tandis que le modèle CNN+LSTM prenait aussi en compte l’évolution des valeurs dans le temps, capturant les fluctuations à court terme de l’ensoleillement et de la température.

Ce que les modèles ont appris sur la performance du refroidissement

Sur l’ensemble des sept fluides, la régression bayésienne de Ridge a systématiquement fourni des prédictions précises, avec de faibles erreurs entre efficacités prédites et mesurées et des indices d’accord élevés. Le modèle hybride CNN+LSTM a encore amélioré la précision pour certains matériaux, atteignant des niveaux d’erreur très bas et expliquant presque toute la variabilité des performances de refroidissement. Pour ouvrir ces modèles « boîte noire », les chercheurs ont appliqué une technique appelée SHAP, qui évalue l’influence de chaque facteur d’entrée sur une prédiction. Cette analyse a montré que la température ambiante, l’irradiance solaire et la production électrique du panneau refroidi (tension et courant) étaient les principaux moteurs de l’efficacité de refroidissement, tandis que la vitesse du vent et certaines mesures détaillées de la température de surface contribuaient beaucoup moins.

Qu’est-ce que cela signifie pour les futurs systèmes solaires

En termes simples, l’étude montre que des modèles d’apprentissage automatique bien choisis peuvent prédire de manière fiable le bénéfice que l’on obtient en refroidissant activement un panneau solaire avec de l’eau ou des nanofluides, en n’utilisant qu’une quantité modeste de données expérimentales. Plutôt que de réaliser de nouveaux essais d’une journée complète chaque fois qu’une recette de fluide, une concentration ou un motif météorologique change, les ingénieurs peuvent s’appuyer sur ces modèles entraînés pour explorer des scénarios « et si » en quelques secondes. Le travail souligne également que quelques mesures clés — la chaleur ambiante du jour, l’intensité du soleil et la performance électrique du panneau refroidi — contiennent l’essentiel de l’information nécessaire. Si les auteurs notent que des ensembles de données plus larges et plus variés sont encore nécessaires avant d’appliquer ces outils partout et à toutes les échelles, leurs résultats ouvrent la voie à une conception et un pilotage plus intelligents des panneaux refroidis, permettant d’extraire plus d’électricité propre d’un même ensoleillement.

Citation: Özdemir, Y., Ziyadanoğulları, N.B., Bakış, E. et al. Comparative analysis of shallow and hybrid deep learning models for predicting the cooling efficiency of nanofluid-cooled photovoltaic panel across multiple materials. Sci Rep 16, 9216 (2026). https://doi.org/10.1038/s41598-026-40129-x

Mots-clés: refroidissement de panneau solaire, nanofluides, rendement photovoltaïque, apprentissage automatique, apprentissage profond