Abstract:
ÖZET
Enerjiye günümüz yaşamının her alanında ihtiyacı vardır ve bu ihtiyaç her geçen gün dünyanın her yerinde hızla artmaya devam etmektedir. Giderek gelişen ekonomilerin ve endüstriyel fabrikaların üretim alanında enerjiye duyulan ihtiyaç artmaktadır. Bundan dolayıdır ki, enerji tüm işletmelerin temel girdisi durumuna gelmiştir. Günümüzde binalarda kullanılan enerjinin çoğu ısıtma, soğutma ve iklimlendirme amaçlı kullanılmaktadır.
İklimlendirme sistemleri toplam tüketilen enerjinin %30’unu oluşturmaktadır. İklimlendirme sistemlerinde sorunlarından biri mahallerdeki insan sayısı değişmesine rağmen hava debisinin sabit kalmasıdır. Bu çalışmada plakalı ısı geri kazanımlı bir klima santralinin PID (Proportional-Integral-Derivative) kontrollü bir otomasyon sistemiyle ve bulut tabanlı olarak anlık kontrol edilerek bir sınıf ortamına uygulanmıştır. Sınıf ortamının kuru termometre sıcaklığı, bağıl nemi ve hava kalitesi (ppm) değerleri bulut sisitemi üzerinden gözlenip kontrol edilmiştir.
Sınıf ortamınında 0, 25, 50 ve 70 ögrenci varken, CO2 değerleri sırasıyla 390, 970, 1230 ve 1600 ppm olarak ölçülmüştür. Öğrenci sayılarına göre sıcaklık değerleri 19.5°C ile 22.6 °C arasında, bağıl nem değerleri ise %31.5 Rh ile %42 Rh olarak ölçülmüştür. Farklı öğrenci sayıları ile yapılan deneysel çalışmada ekserji verimi ortalama %42 olarak hesaplanmıştır. Sistemin enerji verimi değişken ögrenci sayılarına göre ortalama %54 olarak hesaplanmıştır. Ayrıca klima santralinde kullanılan plakalı ısı geri kazanımını net verimliliği ise %60 olarak hesaplanmıştır.
Sınıf ortamının iklimlendirmesi için klima santraline bağlanan sıcaklık, bağıl nem ve CO2 sensörleri vasıtasıyla bulut sistemi üzerinden ölçümler alınmıştır. Buradan alınan veriler doğrultusunda makine öğrenme yöntemlerinden, Destek Vektör Makineleri (DVM), Gasus Süreç Regrasyonu (GSR), Regresyon Ağaçları (RA) ve Ağaç Toplulukları (AT) ile ayrı ayrı kullanılarak sıcaklık, nem ve iç hava kalitesinin ppm değerleri tahmin edilmiştir. Deney setinde klima santrali çalıştırıldığında sınıf ortamının CO2 değeri, kuru termometre sıcaklığı ve bağıl nem değerleri makine öğrenmesi yöntemleri ile R² (Determinasyon Katsayısı) değeri karşılaştırılmıştır. Karşılaştırmanın sonucunda CO2 miktarının R² değeri GSR yönteminden %99, kuru termomtere sıcaklık değeri GSR %93 ve bağıl nem değeri GSR yönteminden %98 olarak elde edilmiştir.
ABSTRACT
Energy is required in every aspect of today's life, and this need continues to increase worldwide daily. The requirement for energy in the production areas of increasingly developing economies and industrial factories is growing. Therefore, energy has become the primary input for all enterprises. Most energy consumed in buildings today is used for heating, cooling, and air conditioning.
Air conditioning systems constitute about 30% of the total energy consumption. The main problem in air conditioning systems is that although the number of people in the environment changes, the airflow rate remains constant. This study applied “a plate heat recovery air handling unit” to a classroom environment by instant control with a PID (Proportional-Integral-Derivative) controlled automation system and cloud-based. Dry bulb temperature, relative humidity, and air quality (ppm) values of the classroom environment were observed and managed through the cloud system.
While there were 0, 25, 50, and 70 students in the classroom environment, the CO2 values were measured as 390, 970, 1230, and 1600 ppm, respectively. For the mentioned numbers of students, temperature values were calculated between 19.5 °C and 22.6 °C, and relative humidity values measurements were 31.5 % Rh and 42% Rh. In the experimental study, the exergy efficiency was calculated as 42% on average when the number of students changed. According to variable student numbers, the system's average energy efficiency was 54%. In addition, the net efficiency of the plate heat recovery used in the air handling unit is calculated as 60 %.
For the air conditioning of the classroom environment, measurements were taken via the cloud system via temperature, relative humidity and CO2 sensors connected to the air handling unit. In line with the data obtained here, temperature, humidity and the ppm value of indoor air quality were estimated by using machine learning methods such as Support Vector Machines (SVM), Gauss Process Regression (GPR), Regression Trees (RT) and Tree Ensembles (ET) separately. In the experimental setting, the CO2 value, dry bulb temperature and relative humidity values of the classroom environment -as the air handling unit was operated were compared with the R² (Determination Coefficient) values using machine learning methods. The obtained comparison results are as follows: R² value of the CO2 amount is 99% from the GPR method, the dry thermometer temperature value is 93% from the GPR method, and the relative humidity value is 98% from the GPR method.