ניתוח השוואתי של מודלים רדודים והיברידיים עמוקים לחיזוי יעילות קירור של פאנל פוטו־וולטאי מקורר בננוזְמֶלֶת על פני חומרים מרובים

מדוע חשוב לשמור על פאנלים סולאריים קרירים

פאנלים סולאריים פועלים בצורה מיטבית כשהם קרים, אך תחת שמש חזקה טמפרטורתם יכולה לעלות משמעותית ובכך לפגוע בשקט בתפוקת החשמל שלהם. עבור בעלי בתים, חברות תשתית וכל מי שמשקיע באנרגיה נקייה, הירידה הזו בביצועים מתורגמת לפחות קילוואט־שעות ממה שציפו. המחקר בוחן טוויסט חדש בקירור פאנלים: סילוק נוזלי "ננוזְמֶלֶת" מאחורי הפאנל בשילוב בינה מלאכותית לחיזוי עד כמה הקירור יעיל. המטרה היא להפחית ניסויים חיצוניים יקרים ואיטיים תוך שמירה על יעילות אנרגיה סולארית בתנאי חום בעולם האמיתי.

כיצד חלקיקים זעירים יכולים לסייע לפאנלים חמים

פאנלים סטנדרטיים פשוט נחשפים לשמש ומתחקים חום, מה שמפחית את תפוקתם בכ־0.5% לכל עלייה של מעלת צלזיוס בטמפרטורה. אחת הדרכים להילחם בכך היא לקירר באופן פעיל את הפאנל באמצעות רשת צינורות דקה שמחוברת לגב. במערכת כזו משאבה מזינה נוזל שזורם בצינורות ומסלק חום. במקום להשתמש רק במים פשוטים, החוקרים בחנו ננוזְמֶלֶת: מים המכילים חלקיקים זעירים של תחמוצת אלומיניום (Al₂O₃) או תחמוצת טיטניום (TiO₂) בריכוזים נמוכים מאוד בנפח (0.01%, 0.1% ו‑1%). ננוחלקיקים אלה יכולים לשפר את יכולת הנוזל לקלוט ולהעביר חום, ובכך לשמור על הפאנל קריר ויעיל יותר מאשר מים לבדם.

בדיקות חוץ במציאות לאורך שבעת הנוזלים

הצוות התקין שני פאנלים סולאריים זהים בהספק 50 וואט בקמפוס אוניברסיטאי באיזור חם ויבש בטורקיה. לפאנל אחד הותקנו צינורות ונמלים מנחושת בגב לצורך קירור, בעוד שהפאנל השני נשאר ללא קירור כהתייחסות. משאבה סחררה מים או אחד מששת תערובות הננוזְמֶלֶת בקצב זרימה קבוע דרך צינורות הקירור. לאורך מספר ימים אספו מדידות חיצוניות כל 30 דקות במשך שישה שעות בכל פעם, ויצרו 13 נקודות נתונים לכל נוזל. בכל ריצה רשם הצוות את ההארה הסולארית, מהירות הרוח, טמפרטורת האוויר, טמפרטורות פני השטח של הפאנל במספר נקודות, טמפרטורת כניסה ויציאה של הנוזל, וכן מתח וזרם חשמלי משני הפאנלים — המקורר והלא‑מקורר. מתוך אלה חישבו כמה מערכת הקירור שיפרה את היעילות החשמלית של הפאנל.

להכשיר אלגוריתמים להחליף ניסויים

מכיוון שחזרה על ניסויי חוץ שנמשכים יום שלם עבור כל נוזל או תנאי תפעול חדשה היא איטית ודורשת עבודה רבה, המחברים אימנו מודלי מחשב ללמוד את הקשר בין התנאים המדודים ליעילות הקירור שהתקבלה. הם ניסו מספר גישות יחסית פשוטות — רגרסיית Bayesian Ridge, רגרסיית תמיכת וקטורים (SVR) ויערות אקראיים — לצד מודל היברידי מתקדם של למידה עמוקה שמחבר רשתות נוירונים קונבולוציוניות (CNN) ויחידות זיכרון לטווח־ארוך (LSTM). המודלים ה"רדודים" הפשוטים התייחסו לכל תמונת מדידה בנפרד, בעוד שמודל ה‑CNN+LSTM בחן גם כיצד הערכים השתנו לאורך זמן, ותפס תנודות קצרות טווח באור ובטמפרטורה.

מה למדו המודלים על ביצועי הקירור

בכל שבעת הנוזלים, רגרסיית Bayesian Ridge סיפקה באופן עקבי חיזויים מדויקים, עם שגיאות קטנות בלבד בין היעילות החזויה לנמדדת וציון הסכמה גבוה. מודל ה‑CNN+LSTM ההיברידי שיפר עוד יותר את הדיוק עבור חלק מהחומרים, והגיע לרמות שגיאה נמוכות מאוד והסביר כמעט את כל השונות בביצועי הקירור. כדי לפתוח את ה"קופסה השחורה" של מודלים אלה, החוקרים השתמשו בטכניקת SHAP, שמדרגת כמה כל גורם קלט משפיע על החיזוי. הניתוח הזה הראה שטמפרטורת הסביבה, ההארה הסולארית ותפוקת החשמל של הפאנל המקורר (מתח וזרם) הם המניעים העיקריים של יעילות הקירור, בעוד מהירות הרוח וחלק מהמדידות המפורטות של טמפרטורת פני השטח השפיעו הרבה פחות.

מה משמעות הממצא למערכות סולאריות בעתיד

במילים פשוטות, המחקר מראה שמודלי למידת מכונה שנבחרו היטב יכולים לחזות באופן אמין כמה תועלת תקבלו מקירור פעיל של פאנל סולארי באמצעות מים או ננוזְמֶלֶת, באמצעות כמות ניסויית צנועה יחסית של נתונים. במקום להריץ ניסויים של יום שלם בכל פעם שמתעדכן מתכון הקורוזניל, ריכוז או תבנית מזג אוויר, מהנדסים יכולים להסתמך על מודלים אלו כדי לחקור תרחישי "מה אם" תוך שניות. העבודה מדגישה גם כי כמה מדידות מפתח — כמה חם ביום, כמה חזק האור, וכיצד הפאנל המקורר מתפקד מבחינה חשמלית — נושאות את רוב המידע הנדרש. החוקרים מציינים שעדיין דרושים מערכי נתונים גדולים ומגוונים יותר לפני שניתן יהיה להחיל כלים אלה בכל מקום ובכל קנה מידה, אך התוצאות מצביעות על עיצוב ובקרה חכמים יותר של פאנלים מקוררים, המפיקים יותר חשמל נקי מאותו אור שמש.

ציטוט: 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

מילות מפתח: קירור פאנלים סולאריים, ננוזְמֶלֶת, יעילות פוטו־וולטאית, למידת מכונה, למידה עמוקה