dor_id: 45855

506.#.#.a: Público

590.#.#.d: Los artículos enviados a la revista "Journal of Applied Research and Technology", se juzgan por medio de un proceso de revisión por pares

510.0.#.a: Scopus, Directory of Open Access Journals (DOAJ); Sistema Regional de Información en Línea para Revistas Científicas de América Latina, el Caribe, España y Portugal (Latindex); Indice de Revistas Latinoamericanas en Ciencias (Periódica); La Red de Revistas Científicas de América Latina y el Caribe, España y Portugal (Redalyc); Consejo Nacional de Ciencia y Tecnología (CONACyT); Google Scholar Citation

561.#.#.u: https://www.icat.unam.mx/

650.#.4.x: Ingenierías

336.#.#.b: article

336.#.#.3: Artículo de Investigación

336.#.#.a: Artículo

351.#.#.6: https://jart.icat.unam.mx/index.php/jart

351.#.#.b: Journal of Applied Research and Technology

351.#.#.a: Artículos

harvesting_group: RevistasUNAM

270.1.#.p: Revistas UNAM. Dirección General de Publicaciones y Fomento Editorial, UNAM en revistas@unam.mx

590.#.#.c: Open Journal Systems (OJS)

270.#.#.d: MX

270.1.#.d: México

590.#.#.b: Concentrador

883.#.#.u: https://revistas.unam.mx/catalogo/

883.#.#.a: Revistas UNAM

590.#.#.a: Coordinación de Difusión Cultural

883.#.#.1: https://www.publicaciones.unam.mx/

883.#.#.q: Dirección General de Publicaciones y Fomento Editorial

850.#.#.a: Universidad Nacional Autónoma de México

856.4.0.u: https://jart.icat.unam.mx/index.php/jart/article/view/41/40

100.1.#.a: Neelamegam, Premalatha; Amirtham, Valan Arasu

524.#.#.a: Neelamegam, Premalatha, et al. (2016). Prediction of solar radiation for solar systems by using ANN models with different back propagation algorithms. Journal of Applied Research and Technology; Vol. 14 Núm. 3. Recuperado de https://repositorio.unam.mx/contenidos/45855

245.1.0.a: Prediction of solar radiation for solar systems by using ANN models with different back propagation algorithms

502.#.#.c: Universidad Nacional Autónoma de México

561.1.#.a: Instituto de Ciencias Aplicadas y Tecnología, UNAM

264.#.0.c: 2016

264.#.1.c: 2016-06-01

653.#.#.a: Global solar radiation; Artificial neural network; Back propagation algorithm

506.1.#.a: La titularidad de los derechos patrimoniales de esta obra pertenece a las instituciones editoras. Su uso se rige por una licencia Creative Commons BY-NC-SA 4.0 Internacional, https://creativecommons.org/licenses/by-nc-sa/4.0/legalcode.es, para un uso diferente consultar al responsable jurídico del repositorio por medio del correo electrónico gabriel.ascanio@icat.unam.mx

884.#.#.k: https://jart.icat.unam.mx/index.php/jart/article/view/41

001.#.#.#: 074.oai:ojs2.localhost:article/41

041.#.7.h: eng

520.3.#.a: Global solar radiation (GSR) is an essential parameter for the design and operation of solar energy systems. Long-standing records of global solar radiation data are not available in many places because of the cost and maintenance of the measuring instruments. The major objective of this work is to develop an ANN model for accurately predicting solar radiation. Two ANN models with four different algorithms are considered in the present study. Meteorological data collected for the last 10 years from five different locations across India have been used to train the models. The best ANN algorithm and model are identified based on minimum mean absolute error (MAE) and root mean square error (RMSE) and maximum linear correlation coefficient (R). Further, the present study confirms that prediction accuracy of the ANN model depends on the complete set of data being used for training the network for the intended application. The developed ANN model has a low mean absolute percentage error (MAPE) which ascertains the accuracy and suitability of the model to predict the monthly average global radiation so as to design or evaluate solar energy installations, where the meteorological data measuring facilities are not in place in India.

773.1.#.t: Journal of Applied Research and Technology; Vol. 14 Núm. 3

773.1.#.o: https://jart.icat.unam.mx/index.php/jart

022.#.#.a: ISSN electrónico: 2448-6736; ISSN: 1665-6423

310.#.#.a: Bimestral

264.#.1.b: Instituto de Ciencias Aplicadas y Tecnología, UNAM

doi: https://doi.org/10.1016/j.jart.2016.05.001

harvesting_date: 2023-11-08 13:10:00.0

856.#.0.q: application/pdf

last_modified: 2024-03-19 14:00:00

license_url: https://creativecommons.org/licenses/by-nc-sa/4.0/legalcode.es

license_type: by-nc-sa

_deleted_conflicts: 2-40f33104ee99b2eae5c466d65eccc463

No entro en nada

No entro en nada 2