Nanofluid ile soğutulan fotovoltaik panelin soğutma verimini çoklu malzemeler arasında tahmin etmek için sığ ve hibrit derin öğrenme modellerinin karşılaştırmalı analizi

Güneş panellerinin serin tutulmasının önemi

Güneş panelleri en iyi performansı serin olduklarında verir; ancak yoğun güneş altında sıcaklıkları hızla yükselerek ürettikleri elektriği sessizce düşürür. Ev sahipleri, enerji dağıtım şirketleri ve temiz enerjiye yatırım yapan herkes için bu performans düşüşü beklenenden az kilovat-saat anlamına gelir. Bu çalışma, panellerin soğutulmasına yönelik yeni bir yaklaşımı inceliyor: bir güneş panelinin arkasında özel "nanofluid"lerin dolaştırılması ve yapay zekâ kullanılarak soğutmanın ne kadar etkili olacağının tahmin edilmesi. Amaç, dış mekan deneylerini yavaş ve maliyetli bir şekilde tekrarlamaya gerek kalmadan güneş enerjisinin gerçek dünya sıcaklıklarında verimli kalmasını sağlamaktır.

Çok küçük parçacıklar sıcak panellere nasıl yardımcı olur

Standart güneş panelleri güneşe maruz kalarak ısınır ve bu da sıcaklık her bir derece Celsius arttığında yaklaşık yarım puanlık bir verim kaybına yol açar. Buna karşı koymanın bir yolu, panelin arkasına yerleştirilen ince boru ağıyla aktif soğutmadır. Bu düzenekte sıvı borular içinde pompalanarak ısıyı uzaklaştırır. Sıradan su yerine araştırmacılar nanofluidleri test etti: çok düşük hacim fraksiyonlarında (0,01%, 0,1% ve 1%) alüminyum oksit (Al₂O₃) veya titanyum dioksit (TiO₂) nanopartikülleri içeren su. Bu nanopartiküller, sıvının ısıyı toplama ve taşıma yeteneğini iyileştirerek paneli yalnız suya göre daha serin ve dolayısıyla daha verimli tutabilir.

Yedi soğutucuda gerçek dünya açık hava testleri

Araştırma ekibi, Türkiye’nin sıcak ve kuru bir bölgesinde bir üniversite kampüsüne iki özdeş 50 watt'lık güneş paneli kurdu. Panellerden biri soğutma için arka tarafta bakır borular ve kanatçıklarla donatılırken, diğeri referans olarak soğutmasız bırakıldı. Pompa, sabit bir debide ya suyu ya da altı nanofluid karışımından birini soğutma boruları boyunca dolaştırdı. Birkaç gün boyunca, her seferinde altı saat boyunca yarım saatte bir açık hava ölçümleri toplandı ve her soğutucu için 13 veri noktası oluşturuldu. Her denemede güneş ışınımı, rüzgâr hızı, hava sıcaklığı, panel yüzey sıcaklıkları (birkaç noktada), akışkan giriş ve çıkış sıcaklıkları ile hem soğutulmuş hem de soğutulmamış panellerin elektriksel voltaj ve akımı kaydedildi. Bunlardan, soğutma sisteminin panelin elektriksel verimliliğini ne kadar iyileştirdiği hesaplandı.

Algoritmaları deneylerin yerine öğretmek

Her yeni soğutucu ya da çalışma koşulu için tam günlük açık hava testlerini tekrarlamak yavaş ve emek yoğun olduğundan, yazarlar ölçülen koşullar ile ortaya çıkan soğutma verimliliği arasındaki ilişkiyi öğrenmesi için bilgisayar modelleri eğitti. Bayesyen Ridge regresyonu, destek vektör regresyonu ve rastgele ormanlar gibi nispeten basit yaklaşımların yanı sıra konvolüsyonel sinir ağları (CNN) ve uzun-kısa süreli bellek (LSTM) birimlerini birleştiren daha gelişmiş bir hibrit derin öğrenme modeli denediler. Daha basit "sığ" modeller her ölçüm anını bağımsız ele alırken, CNN+LSTM modeli değerlerin zaman içindeki değişimini de inceleyerek güneş ışığı ve sıcaklıktaki kısa vadeli dalgalanmaları yakaladı.

Modellerin soğutma performansı hakkında öğrendikleri

Yedi akışkanın tamamında Bayesyen Ridge regresyonu tutarlı biçimde doğru tahminler verdi; tahmin edilen ve ölçülen verimlilikler arasındaki hata küçüktü ve uyum skorları yüksekti. Hibrit CNN+LSTM modeli bazı malzemelerde doğruluğu daha da yükseltti, çok düşük hata seviyelerine ulaştı ve soğutma performansındaki değişimin neredeyse tamamını açıkladı. Bu "kara kutu" modelleri açmak için araştırmacılar, her bir giriş faktörünün tahmine ne kadar katkıda bulunduğunu puanlayan SHAP adlı bir teknik uyguladı. Bu analiz, çevre sıcaklığı, güneş ışınımı ve soğutulmuş panelin kendi elektriksel çıktısı (voltaj ve akım) gibi faktörlerin soğutma verimliliğinin ana belirleyicileri olduğunu; rüzgâr hızı ve bazı ayrıntılı yüzey sıcaklığı ölçümlerinin ise çok daha az katkı sağladığını gösterdi.

Gelecekteki güneş sistemleri için anlamı

Basitçe söylemek gerekirse, çalışma iyi seçilmiş makine öğrenimi modellerinin su veya nanofluid ile aktif soğutma uygulandığında panelden elde edeceğiniz faydayı sınırlı deneysel veriyle güvenilir biçimde tahmin edebileceğini gösteriyor. Her soğutucu tarifi, konsantrasyon veya hava durumu deseni değiştiğinde yeni tam günlük testler yapmak yerine mühendisler saniyeler içinde "ya şöyle olsaydı" senaryolarını bu eğitilmiş modellere danışarak inceleyebilir. Çalışma ayrıca, günün ne kadar sıcak olduğu, güneşin ne kadar güçlü olduğu ve soğutulmuş panelin elektriksel performansı gibi birkaç kilit ölçümün gerekli bilgilerin çoğunu taşıdığını vurguluyor. Yazarlar, bu araçların her yerde ve her ölçekte uygulanabilmesi için daha büyük ve daha değişken veri setlerine hâlâ ihtiyaç olduğunu not etse de, sonuçlar soğutmalı güneş panellerinin daha akıllı tasarımı ve kontrolüne işaret ederek aynı güneş ışığından daha fazla temiz elektrik elde etmeye katkı sağlıyor.

Atıf: 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

Anahtar kelimeler: güneş paneli soğutma, nanofluidler, fotovoltaik verimlilik, makine öğrenimi, derin öğrenme