GÜNEŞ ENERJİLİ PARABOLİK OLUK SİSTEMLERİNİN SAHRA ALTI AFRİKA’DAKİ UYGULANABİLİRLİĞİNİN MAKİNE ÖĞRENMESİ ALGORİTMALARI İLE TAHMİNLENMESİ

Creative Commons License

Temir A., BAYRAKCI H. C., ucgul i.

International Journal of 3D Printing Technologies and Digital Industry, cilt.10, sa.1, ss.24-41, 2026 (TRDizin)

Özet

Küresel enerji talebindeki sürekli artış, fosil yakıtlara bağımlılığı artırmakta ve bu durum ekonomik, çevresel ve arz güvenliği sorunlarını beraberinde getirmektedir. Bu bağlamda, güneş enerjisi gibi yenilenebilir kaynaklara yönelim giderek önem kazanmaktadır. Özellikle yoğunlaştırıcı güneş enerjisi (CSP) sistemleri, güneş ışığını odaklayarak yüksek sıcaklıklara ulaşabilmeleri ve ısıl enerjiyi depolayabilmeleri sayesinde öne çıkmaktadır. Bu çalışma, Sahra Altı Afrika'daki üç ülke (Nijerya, Etiyopya, Kenya) için 100 MW kapasiteli kavramsal bir parabolik oluk kolektör (PTC) santralinin termodinamik performansını ve uygulanabilirliğini analiz etmektedir. Direkt normal ışınım, ortam sıcaklığı ve rüzgâr hızı gibi yerel meteorolojik verilerle yapılan hesaplamalarda, 100 MW güç üretimi için gerekli kolektör sayısı Etiyopya’da 1606, Kenya’da 1669, Nijerya’da ise 2430 olarak bulunmuştur. Bu sonuçlar, yüksek rakım ve düşük ısı kaybı sayesinde Etiyopya’nın en verimli ülke olduğunu göstermektedir. Ayrıca, çalışmaya deneysel verilere dayalı makine öğrenmesi regresyon modelleri entegre edilmiştir. Kolektör çıkış sıcaklığı, dört çevresel değişken kullanılarak tahmin edilmiş ve 6 farklı regresyon modeli test edilmiştir. K-En Yakın Komşu (KNN) algoritması R² = 0.8896, MAE = 1.52 ve RMSE = 2.61 ile en yüksek doğruluk değerlerine ulaşırken, Decision Tree algoritması R² = 0.8632, MAE = 1.40 ile düşük hata oranları sunmuştur. Ridge, Lasso, ElasticNet ve MLR gibi doğrusal modeller ise R² ≈ 0.83 seviyelerinde kalmıştır. Elde edilen sonuçlar, PTC sistemlerinin Sahra Altı Afrika’da teknik olarak uygulanabilir olduğunu ve makine öğrenmesi algoritmalarının ısıl performans tahminlerinde başarılı bir şekilde kullanılabileceğini göstermektedir. Bu bağlamda, CSP yatırımlarının bölgesel kalkınma ve sürdürülebilir enerji arzı açısından önemli fırsatlar sunduğu ortaya konmuştur.
The continuous increase in global energy demand has intensified reliance on fossil fuels. This dependency leads to significant challenges related to economics, environmental degradation, and energy security. As a result, the shift toward renewable energy sources has become increasingly important. Among these, solar energy stands out as one of the most abundant and sustainable resources. Concentrated Solar Power (CSP) systems offer high thermal efficiency through solar radiation concentration and the capability to store thermal energy. This study presents a thermodynamic performance and feasibility analysis of a conceptual 100 MW parabolic trough collector (PTC) CSP plant for three Sub-Saharan African countries: Nigeria, Ethiopia, and Kenya. These countries were selected based on their high solar potential and diverse climatic conditions. Using local meteorological data, including direct normal irradiance (DNI), ambient temperature, and wind speed, the required number of collectors to generate 100 MW was calculated. The results show that Ethiopia requires 1606 collectors, Kenya 1669, and Nigeria 2430. Ethiopia demonstrates the best performance due to its high elevation and reduced thermal losses. In addition to thermodynamic analysis, the study incorporates machine learning-based regression models using experimental data. The collector outlet temperature was predicted using four environmental variables. Six regression algorithms were tested. The K-Nearest Neighbors (KNN) model provided the highest accuracy with an R² value of 0.8896, a mean absolute error (MAE) of 1.52, and a root mean square error (RMSE) of 2.61. The Decision Tree model followed with an R² of 0.8632 and the lowest MAE of 1.40. Other models such as Ridge, Lasso, ElasticNet, and Multiple Linear Regression (MLR) showed consistent but slightly lower performance, with R² values around 0.83. The results confirm that PTC systems are technically feasible for Sub-Saharan African conditions. The use of machine learning algorithms has also proven effective in predicting thermal performance. These findings suggest that CSP investments, supported by appropriate policies and regional cooperation, have strong potential to contribute to sustainable electricity generation and energy security in the region.