Analisi comparativa di modelli di apprendimento poco profondi e ibridi profondi per la previsione dell’efficienza di raffreddamento di pannelli fotovoltaici raffreddati con nanofluidi attraverso materiali multipli

Perché mantenere i pannelli solari freschi è importante

I pannelli solari funzionano al meglio quando sono freschi, ma sotto il sole intenso la loro temperatura può salire, erodendo silenziosamente la quantità di elettricità che producono. Per i proprietari di casa, le utility e chiunque punti sull’energia pulita, questa perdita di rendimento si traduce in meno chilowattora del previsto. Questo studio esamina un nuovo approccio al raffreddamento dei pannelli: far circolare speciali “nanofluidi” dietro al pannello e usare l’intelligenza artificiale per prevedere quanto bene funzionerà il raffreddamento. L’obiettivo è ridurre i test sperimentali lenti e costosi all’aperto mantenendo l’efficienza solare nelle condizioni di calore del mondo reale.

Come particelle minuscole possono aiutare i pannelli caldi

I pannelli solari standard semplicemente restano al sole e si riscaldano, riducendo la loro produzione di circa mezzo punto percentuale per ogni grado Celsius di aumento di temperatura. Un modo per contrastare questo effetto è raffreddare attivamente il pannello usando una sottile rete di tubi collegata al retro. In questo sistema, un fluido viene pompato attraverso i tubi e asporta calore. Invece di usare solo acqua semplice, i ricercatori hanno testato nanofluidi: acqua contenente particelle estremamente piccole di ossido di alluminio (Al₂O₃) o diossido di titanio (TiO₂) a frazioni volumetriche molto basse (0,01%, 0,1% e 1%). Queste nanoparticelle possono migliorare la capacità del liquido di raccogliere e trasportare calore, mantenendo potenzialmente il pannello più freddo e più efficiente rispetto alla sola acqua.

Test all’aperto nel mondo reale su sette fluidi di raffreddamento

Il team ha installato due pannelli solari identici da 50 watt nel campus universitario di una regione calda e arida della Turchia. Un pannello è stato dotato di tubi e alette in rame sul retro per il raffreddamento, mentre l’altro è stato lasciato senza raffreddamento come riferimento. Una pompa ha fatto circolare acqua o una delle sei miscele di nanofluidi a portata fissa attraverso i tubi di raffreddamento. Per diversi giorni hanno raccolto misure all’aperto ogni 30 minuti per sei ore alla volta, creando 13 punti dati per ogni fluido. Per ogni prova hanno registrato l’irradiazione solare, la velocità del vento, la temperatura dell’aria, le temperature superficiali del pannello in più punti, le temperature del fluido in ingresso e in uscita e la tensione e la corrente elettrica sia del pannello raffreddato sia di quello non raffreddato. Da questi dati hanno calcolato quanto il sistema di raffreddamento migliorasse l’efficienza elettrica del pannello.

Insegnare agli algoritmi a sostituire gli esperimenti

Poiché ripetere test all’aperto di un’intera giornata per ogni nuovo fluido o condizione di funzionamento è lento e laborioso, gli autori hanno addestrato modelli informatici a imparare la relazione tra le condizioni misurate e l’effettiva efficienza di raffreddamento. Hanno provato diversi approcci relativamente semplici—regressione bayesiana ridge, support vector regression e foreste casuali—insieme a un modello ibrido di deep learning più avanzato che combina reti neurali convoluzionali (CNN) e unità long short-term memory (LSTM). I modelli “shallow” più semplici trattavano ogni istantanea di misurazione in modo indipendente, mentre il modello CNN+LSTM considerava anche come i valori cambiavano nel tempo, catturando le fluttuazioni a breve termine di irradiazione e temperatura.

Cosa hanno appreso i modelli sulle prestazioni di raffreddamento

Su tutti e sette i fluidi, la regressione bayesiana ridge ha fornito sistematicamente previsioni accurate, con errori ridotti tra efficienze previste e misurate e punteggi di accordo elevati. Il modello ibrido CNN+LSTM ha ulteriormente migliorato l’accuratezza per alcuni materiali, raggiungendo livelli di errore molto bassi e spiegando quasi tutta la variazione nelle prestazioni di raffreddamento. Per aprire questi modelli “scatola nera”, i ricercatori hanno applicato una tecnica chiamata SHAP, che valuta quanto ogni fattore di ingresso influenzi una previsione. Questa analisi ha mostrato che la temperatura ambiente, l’irradiazione solare e la prestazione elettrica del pannello raffreddato (tensione e corrente) erano i principali fattori che guidavano l’efficienza di raffreddamento, mentre la velocità del vento e alcune misure dettagliate delle temperature superficiali hanno contribuito molto meno.

Cosa significa per i futuri sistemi solari

In termini chiari, lo studio dimostra che modelli di machine learning ben scelti possono prevedere in modo affidabile quanto beneficio si ottiene dal raffreddamento attivo di un pannello solare con acqua o nanofluidi, utilizzando solo una quantità modesta di dati sperimentali. Invece di eseguire nuovi test di un’intera giornata ogni volta che cambia una ricetta di fluido, una concentrazione o un pattern meteorologico, gli ingegneri possono fare affidamento su questi modelli addestrati per esplorare scenari “what if” in pochi secondi. Il lavoro evidenzia inoltre che poche misure chiave—quanto è caldo il giorno, quanto è forte la luce solare e come il pannello raffreddato si comporta elettricamente—contengono la maggior parte delle informazioni necessarie. Sebbene gli autori osservino che sono ancora necessari dataset più ampi e vari prima che questi strumenti possano essere applicati ovunque e a tutte le scale, i risultati indicano una direzione verso un progetto e un controllo più intelligenti dei pannelli raffreddati, estraendo più elettricità pulita dalla stessa luce solare.

Citazione: 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

Parole chiave: raffreddamento pannelli solari, nanofluidi, efficienza fotovoltaica, apprendimento automatico, deep learning