Análise comparativa de modelos de aprendizado raso e híbridos profundos para prever a eficiência de resfriamento de painel fotovoltaico resfriado por nanofluido em múltiplos materiais

Por que manter painéis solares frios importa

Painéis solares funcionam melhor quando estão frios, mas sob sol intenso sua temperatura pode disparar, corroendo silenciosamente a quantidade de eletricidade que produzem. Para proprietários, concessionárias e qualquer um apostando em energia limpa, essa queda no desempenho significa menos quilowatt-hora do que o esperado. Este estudo examina uma abordagem nova de resfriamento de painéis: circular “nanofluidos” especiais atrás do painel e usar inteligência artificial para prever quão bem o resfriamento funcionará. O objetivo é reduzir experimentos externos demorados e caros, mantendo a energia solar eficiente em condições reais de calor.

Como partículas minúsculas podem ajudar painéis quentes

Painéis solares padrão simplesmente ficam ao sol e aquecem, o que reduz sua produção em aproximadamente meio por cento para cada grau Celsius de aumento de temperatura. Uma forma de combater isso é resfriar ativamente o painel usando uma rede fina de tubos fixados à parte traseira. Nesse arranjo, um líquido é bombeado pelos tubos, removendo o calor. Em vez de usar apenas água pura, os pesquisadores testaram nanofluidos: água contendo partículas extremamente pequenas de óxido de alumínio (Al₂O₃) ou dióxido de titânio (TiO₂) em frações volumétricas muito baixas (0,01%, 0,1% e 1%). Essas nanopartículas podem melhorar a capacidade do líquido de captar e transportar calor, potencialmente mantendo o painel mais frio e mais eficiente do que só a água.

Testes ao ar livre em condições reais com sete fluidos

A equipe instalou dois painéis solares idênticos de 50 watts em um campus universitário numa região quente e seca da Turquia. Um painel foi equipado com tubos e aletas de cobre na parte traseira para resfriamento, enquanto o outro ficou sem resfriamento como referência. Uma bomba circulou água ou uma das seis misturas de nanofluido em uma vazão fixa pelos tubos de resfriamento. Ao longo de vários dias, coletaram medições externas a cada 30 minutos por seis horas por vez, criando 13 pontos de dados por fluido. Para cada rodada, registraram irradiância solar, velocidade do vento, temperatura do ar, temperaturas da superfície do painel em vários pontos, temperaturas de entrada e saída do fluido, e a tensão e corrente elétrica dos painéis resfriado e não resfriado. A partir desses dados, calcularam quanto o sistema de resfriamento melhorou a eficiência elétrica do painel.

Treinando algoritmos para substituir experimentos

Como repetir testes externos de dia inteiro para todo novo fluido ou condição operacional é lento e trabalhoso, os autores treinaram modelos computacionais para aprender a relação entre as condições medidas e a eficiência de resfriamento resultante. Eles testaram várias abordagens relativamente simples—regressão Bayesiana Ridge, regressão por vetor de suporte e florestas aleatórias—além de um modelo híbrido profundo mais avançado que combina redes neurais convolucionais (CNNs) e unidades de memória de longo prazo (LSTM). Os modelos “rasos” mais simples trataram cada fotografia de medição de forma independente, enquanto o modelo CNN+LSTM também analisou como os valores mudavam ao longo do tempo, capturando flutuações de curto prazo na luz solar e na temperatura.

O que os modelos aprenderam sobre desempenho de resfriamento

Entre todos os sete fluidos, a regressão Bayesiana Ridge apresentou previsões consistentemente precisas, com erros pequenos entre as eficiências previstas e medidas e altas pontuações de concordância. O modelo híbrido CNN+LSTM elevou ainda mais a precisão para alguns materiais, alcançando níveis de erro muito baixos e explicando quase toda a variação no desempenho de resfriamento. Para abrir esses modelos “caixa-preta”, os pesquisadores aplicaram uma técnica chamada SHAP, que avalia quanto cada fator de entrada influencia uma previsão. Essa análise mostrou que a temperatura ambiente, a irradiância solar e a própria produção elétrica do painel resfriado (tensão e corrente) foram os principais determinantes da eficiência de resfriamento, enquanto a velocidade do vento e algumas leituras detalhadas da temperatura da superfície contribuíram muito menos.

O que isso significa para sistemas solares futuros

Em termos simples, o estudo mostra que modelos de aprendizado de máquina bem escolhidos podem prever de forma confiável quanto benefício se obterá ao resfriar ativamente um painel solar com água ou nanofluidos, usando apenas uma quantidade modesta de dados experimentais. Em vez de executar novos testes de dia inteiro sempre que uma receita de fluido, concentração ou padrão climático muda, engenheiros podem apoiar-se nesses modelos treinados para explorar cenários “e se” em segundos. O trabalho também destaca que algumas medições-chave—quão quente está o dia, quão forte é a luz solar e como o painel resfriado está performando eletricamente—carregam a maior parte da informação necessária. Embora os autores observem que conjuntos de dados maiores e mais variados ainda sejam necessários antes que tais ferramentas possam ser aplicadas em todos os lugares e em todas as escalas, seus resultados apontam para um projeto e controle mais inteligentes de painéis solares resfriados, extraindo mais eletricidade limpa da mesma luz solar.

Citação: 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

Palavras-chave: resfriamento de painel solar, nanofluidos, eficiência fotovoltaica, aprendizado de máquina, aprendizado profundo