Hasil Pencarian  ::  Simpan CSV :: Kembali

"Optimasi multi-objektif adalah salah satu alat untuk mengambil keputusan yang optimal dimana terjadi trade-off antara dua atau lebih objektif yang saling bertentangan. Pada studi ini optimasi multi-objektif dijalankan untuk sistem multi generasi panas bumi. Metode yang dipakai adalah artificial neural network-genetic algorithm (ANN-GA) dan genetic algorithm (GA), dimana keduanya nanti akan diperbandingkan. Digunakan software Engineering Equation Solver (EES) dan MATLAB. Batasan (constraint) yang dipakai adalah konsentrasi ammonia (YB), temperature geotermal (TGEO) dan mass extraction ratio (MER). Nilai optimal terbaik dari optimasi multi-objektif metode ANN-GA adalah exergy destruction 3955.51 kW, sum unit cost of the product (SUCP) 97.84 $/GJ dan exergoenvironmental 724.92 mPt/s, nilai optimal ANN-GA tersebut dicapai pada YB 0.415, TGEO 130.02oC dan MER 0.399. Sedangkan nilai optimal terbaik dari optimasi multi-objektif metode GA adalah exergy destruction 3522.59 kW, SUCP 93.86 $/GJ dan exergoenvironmental 813.29 mPt/s, nilai optimal ini didapat pada YB 0. 0.477, TGEO 159.79oC dan MER 0.203. Analisa life cycle analysis (LCA) yang ada dalam studi ini dari software SIMAPRO menunjukkan dampak lingkungan dari steel adalah 156 mPt/kg, steel low alloy 247 mPt/kg dan cast iron 227 mPt/kg.

---

Multi-objective optimization is a tool for making optimal decisions where there is a trade-off between two or more conflicting objectives. In this study, multi-objective optimization is carried out for the geothermal multi-generation system. The methods used are artificial neural network-genetic algorithm (ANN-GA) and genetic algorithm (GA), both of which will be compared later. Engineering Equation Solver (EES) and MATLAB software are used. The constraints used are ammonia concentration (YB), geothermal temperature (TGEO) and mass extraction ratio (MER). The best optimal values from the multi-objective optimization of the ANN-GA method are exergy destruction 3955.51 kW, sum unit cost of the product (SUCP) 97.84 $/GJ and exergoenvironmental 724.92 mPt/s, the optimal values for ANN-GA were achieved at YB 0.415, TGEO 130.02oC and MER 0.399. While the best optimal value of the multi-objective optimization GA method is exergy destruction 3522.59 kW, SUCP 93.86 $/GJ and exergoenvironmental 813.29 mPt/s, this optimal value is obtained at YB 0. 0.477, TGEO 159.79oC and MER 0.203. Life cycle analysis (LCA) that is done in this study from SIMAPRO software showed the environmental impact from steel is 156 mPt/kg, steel low alloy is 247 mPt/kg and cast iron is 227 mPt/kg."

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi pada energi pendinginan sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan model Artificial Neural Network (ANN) yang dapat memprediksi jumlah konsumsi energi pendinginan untuk pengaturan yang berbeda dari variabel kontrol sistem pendingin VRF. Bangunan dimodelkan oleh perangkat lunak Sketchup dan sistem pendinginan dimodelkan dengan EnergyPlus. MATLAB digunakan untuk training dan testing model ANN. Untuk model testing, set data dikumpulkan melalui simulasi yang sudah divalidasi dengan pengukuran lapangan. Empat langkah yang dilakukan dalam proses training yaitu pengembangan model awal, pemilihan variabel input, optimasi model, dan evaluasi kinerja. Model yang telah dioptimalkan menunjukkan akurasi prediksi yang akurat, sehingga membuktikan potensinya untuk aplikasi dalam algoritma kontrol yang diharapkan dapat menciptakan lingkungan termal ruangan yang nyaman serta energi yang efisien. Hasil analisis TOPSIS menunjukkan penghematan daya listrik sistem VRF sebesar 26% dari daya listrik observasi.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, efficiency in cooling energy is needed. This study aims to develop an Artificial Neural Network (ANN) model that can predict the amount of cooling energy consumption for different settings of the VRF cooling system control variable. The building is modeled by the Sketchup software and the cooling system is modeled by EnergyPlus. MATLAB is used for training and testing ANN models. For model testing, data sets are collected through simulations that have been validated with field measurements. The four steps involved in the training process are initial model development, selection of input variables, model optimization, and performance evaluation. The optimized model shows accurate prediction accuracy, thereby proving its potential for application in control algorithms that are expected to create a comfortable and energy efficient indoor thermal environment. The results of the TOPSIS analysis show that the VRF system's electrical power savings are 26% of the observed electrical power."

"Durasi pemeliharaan merupakan hal yang penting dalam kegiatan dry docking kapal. Estimasi durasi pemeliharaan diperlukan untuk membuat jadwal pemeliharaan kapal pada suatu galangan. Sayangnya saat ini pihak galangan belum mempunyai standar yang baku dalam mengestimasi durasi pemeliharaan kapal. Penelitian ini bertujuan untuk memperoleh model matematis estimasi durasi pemeliharaan kapal dry docking menggunakan Artificial Neural Network dan Genetic Algorithm. Dengan melihat volume dan jenis pekerjaan dry docking sebagai input, diperoleh model estimasi durasi dengan nilai rata-rata error 5.12 hari. Hasil estimasi kemudian dibandingkan dengan metode Neural Network standar dan metode Decision Tree-Genetic Algorithm-Neural network. Hasil penelitian menunjukkan bahwa metode Decision Tree-Genetic Algorithm-Neural network mempunyai nilai estimasi yang lebih akurat dibandingkan dengan kedua metode lainnya.

---

Maintenance time duration is an important things in ship dry docking activities. Estimating the time duration is necessary for ship schedule arranging in dock. Unfortunately, the dock company doesn’t have a standard procedure in estimating ship maintenance duration. The purpose of this research is to get mathematic model of dry docking maintenance duration estimation using Artificial Neural Network and Genetic Algorithm. By considering the job volume and type as input variable, the research get estimation model with root mean square error (RMSE) 5.12 day. Then, the estimation result is compared with traditional Neural network and Decision Tree-Genetic Algorithm-Neural network method. The result shows that Decision Tree-Genetic Algorithm-Neural network is more accurate in estimating the ship maintenance duration than the other two methods."

"Salah satu upaya meminimalkan hambatan gelombang untuk mengurangi hambatan total adalah konfigurasi multi lambung dengan memvariasikan penempatan outrigger. Penelitian ini bertujuan untuk mencari konfigurasi optimal pentamaran lambung warp-chine untuk mengurangi hambatan total yang signifikan untuk berbagai kecepatan. Terbatasnya informasi penggunaan lambung warp-chine pada multihull berkaitan dengan karakteristik lambung serta optimalisasi penempatan outrigger menjadi dasar dari penggunaan lambung warp-chine pada penelitian ini. Perhitungan dan optimasi menggunakan program komputer MATLAB menggunakan metode Artificial Neural Network dan Algoritma Genetika. Hasil optimasi menunjukkan penurunan hambatan pada saat Fr>0.4 baik koefisien hambatan gelombang maupun koefisien hambatan total dengan penurunan rata-rata dari masing-masing hambatan sebesar 1.47% dan 4.06%. Hasil menunjukkan bahwa proses optimasi pentamaran pada penelitian ini dapat diprediksi dengan baik pada pentamaran dengan kecepatan tinggi, namun belum bisa diprediksi dengan baik pada pentamaran dengan kecepatan rendah.

---

One effort to minimize wave resistance to reduce total resistance is a multihull configuration by varying the placement of the outrigger. This study aims to find the optimal configuration of the warp chine hull to reduce significant total resistance for various speeds. The limited information about the use of warp chine hull in multihull related to the characteristics of the hull and the optimization of outrigger placement is the basis of the use of warp chine hull in this study. Calculation and optimizations using the MATLAB computer program using Artificial Neural Network methods and Genetic Algorithms. The optimization results show a decrease in resistance when Fr> 0.4 both the wave resistance coefficient and the total resistance coefficient with an average reduction of each resistance by 1.47% and 4.06%. The results show that the optimization process in this study can be predicted well in the high speed application, but it cannot be predicted well in the low speed application."

"Tuberkulosis (TB), yang disebabkan oleh Mycobacterium tuberculosis menjadi masalah kesehatan masyarakat yang signifikan di Indonesia. Permasalahan ini diperburuk oleh meningkatnya insiden resistensi antimikroba, terutama terhadap rifampisin sebagai obat lini pertama untuk tuberkulosis. Salah satu pendekatan yang menjanjikan untuk mengatasi masalah ini adalah eksplorasi obat-obatan baru. Aktinomiset, kelompok mikroorganisme yang dikenal menghasilkan berbagai senyawa bioaktif, telah banyak dilaporkan memiliki potensi dalam memproduksi antibiotik. Penelitian ini bertujuan untuk mengetahui potensi aktinomiset asal Indonesia sebagai penghasil senyawa bioaktif yang memiliki kemampuan menghambat M. tuberculosis resisten rifampisin. Penelitian ini menggunakan aktinomiset yang diisolasi dari Pulau Kalimantan, Indonesia, dan diseleksi menggunakan high-throughput screening dengan model Mycobacterium untuk menilai aktivitas anti-tuberkulosisnya. Ekstrak terpilih kemudian diuji lebih lanjut menggunakan metode uji kepekaan obat yang sudah divalidasi, seperti Resazurin Microtiter Assay (REMA) dan Drug Susceptibility Testing (DST-MGIT). Hasil penelitian menunjukkan bahwa satu spesies aktinomiset mampu menghambat strain Mycobacterium tuberculosis yang resistan terhadap rifampisin. High-resolution mass spectrometry (HRMS) dilakukan untuk mengidentifikasi senyawa kimia yang ditemukan dalam ekstrak aktif. Metabolit-metabolit ini dimurnikan lebih lanjut menggunakan kromatografi kolom untuk mengisolasi senyawa spesifik yang berperan dalam aktivitas anti-TB. Fraksi potensial dipisahkan menjadi dua senyawa, dan diperoleh fraksi dengan kode F12B yang memiliki satu spot pada KLT dan nilai MIC lebih rendah dibandingkan yang lain, yaitu 28 μg/mL melalui uji DST-MGIT dan 3 μg/mL melalui uji REMA.Metal-organic framework (MOF) telah menunjukkan potensi sebagai penyerap untuk penangkapan gas CO2, tetapi biaya pembuatannya tidak praktis untuk aplikasi industri. Peningkatan kapasitas adsorpsi CO2, penurunan biaya produksi, dan pengurangan energi regenerasi masih sedikit untuk diteliti. Dalam penelitian ini, kami membuat MOF dengan L-Glutamic Acid sebagai bio-ligan dan kobalt klorida sebagai sumber ion logam, yakni Bio-MOF Co-Glu. Keberhasilan fabrikasi Bio-MOF dievaluasi dengan scanning electron microscope, analisis isoterm adsorpsi-desorpsi N2, analisis gravimetri termal, X-ray difraksi, dan teknik Fourier-transform infrared spectroscopy. Pengukuran volumetrik diamati pada berbagai temperatur (27oC, 35oC, 50oC). Kalor isosterik adsorpsi dan selektivitas CO2/N2 juga dievaluasi dengan meregresi data eksperimen dengan teknik Persamaan Isotermal Langmuir-Freundlich dan IAST. Selanjutnya, pemodelan jaringan saraf menunjukkan validitas yang sangat tinggi (R = 0,99) dari data yang diprediksi. Optimasi multi-objektif dilakukan dengan tiga fungsi objektif. Titik optimum untuk mendapatkan kapasitas maksimum CO2 dan selektivitas dengan panas adsorpsi ringan berturut-turut adalah 0,158 g/g, 112,34 J/g, dan 2,105. Ini adalah studi pertama yang membuat prediksi dengan tiga fungsi objektif dalam adsorpsi gas dan melakukan optimasi multiobjektif untuk serapan CO2, panas adsorpsi, dan selektivitas. Hasil ini memberikan dasar untuk penggunaan algoritme pembelajaran mesin dalam hubungannya dengan pengoptimalan multi-objektif untuk menyelidiki kinerja adsorpsi gas di bawah persyaratan aplikasi industri.

---

Metal-organic frameworks (MOFs) have demonstrated potential as adsorbents for CO2 capture, but their cost makes them impractical for industrial applications. Increasing the CO2 adsorption capacity, lowering the MOF production cost, and reducing the energy regeneration have been less well studied. In the present study, we fabricate a MOF with L-Glutamic Acid as the bio-ligand and cobalt chloride as the metal-ion source, Bio-MOF Co-Glu. The success of Bio-MOF fabrication was evaluated by scanning electron microscopy, N2 adsorption-desorption isotherm analysis, thermal gravimetric analysis, x-ray diffraction, and Fourier-transform infrared spectroscopy techniques. The volumetric measurement was observed at various temperatures (27oC,35oC,50oC). Isosteric heat of adsorption and CO2/N2 selectivity were also evaluated by regressing the experimental data with Langmuir-Freundlich Isothermal equation and IAST techniques. Further, the neural network modelling showed a considerably high validity regressing (R=0,99) of the predicted data. Multi-objective optimization was conducted with three objective functions, CO2 uptakes, heat of adsorption, and CO2/N2 selectivity. The optimum point to get maximum capacity of CO2 and selectivity with mild heat of adsorption are 0,158 g/g, 112,34 J/g, and 2,105. respectively. This is the first study to make predictions in gas adsorption and conduct multi-objective optimization with a genetic algorithm for CO2 uptake, separation factor, and selectivity variable objectives. These results provide a basis for the use of machine learning algorithms in conjunction with multi-objective optimizations to investigate the output performance of gas adsorption under the requirements of industrial applications."

"Tugas akhir ini membahas mengenai Neural Network yang diaplikasikan dalam simulasi pengendalian plant. Plant yang digunakan adalah Pressure Process Rig 38-714. Pengendali yang digunakan adalah pengendali yang bekerja dengan nilai masukan berupa nilai eror dari nilai keluaran plant yang dibandingkan dengan nilai keluaran referensi. Kesuksesan percobaan ditinjau dari seberapa bagus keluaran plant yang dipasang pengendali ketika dibandingkan dengan sinyal referensinya dan ketahanannya terhadap gangguan. Hasil percobaan menunjukkan NN dengan metode Backpropagation memberikan performa yang baik walaupun diberi gangguan dengan batasan nilai tertentu.

---

This project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise."

"Tesis ini bertema tentang optimasi dari sistem chiller adsorpsi untuk mencari koefisien performa (COP) dan kapasitas pendinginan. Optimasi dilakukan dengan menggunakan gabungan antara jaringan saraf tiruan dan algoritma genetika (GA). Simulasi yang dilakukan adalah pengembangan sistem chiller adsorpsi yang data simulasinya sudah pernah di validasi dengan data eksperimen sebelumnya. Parameter laju alir massa, temperatur, dan waktu siklus divariasikan sebagai variabel penentu. Sementara COP dan kapasitas pendinginan mejadi fungsi objektifnya. Pada tesis ini, jaringan saraf tiruan yang terbentuk menunjukkan bahwa error terkecil jaringan yang terbentuk adalah 0.001532624 atau 0.153%. Hal ini menyatakan bahwa jaringan yang terbentuk dapat memprediksi fungsi objektif COP dan SCP dengan tingkat akurasi sebesar 99.85. Selisih (error) terkecil titik optimum prediksi jaringan saraf tiruan chiller adsorpsi dua bed Silica Gel 123 dan Air dengan nilai simulasi software-nya sebesar 0.027 untuk SCP dan 0.034 untuk nilai COP.

---

The optimization of adsorption chiller system that purposed to approach the optimal coefficient of performance (COP) and cooling capacity is presented in this thesis. The combination of artificial neural network (ANN) and genetic algorithm (GA) is applied to optimize the simulation of adsorption chiller. The adsorption chiller system simulation is an integrated two adsorption bed that developed from previous simulation and experiment that had been done. In this thesis, mass flow, temperature, and time cycle are varied and considered as decision variable while the COP and cooling capacity is chosen as the objective function.

In this thesis, the artificial neural network that formed presents the smallest network error is 0.001532624 or 0.153. This states that the formed network can predict the objective functions of COP and SCP with an accuracy rate of 99.85. The smallest optimum point difference (the error) between the value prediction of neural network adsorption chiller two bed Silica Gel 123 and Water and the software simulations value is 0.027 for SCP and 0.034 for COP."

"Backpropagation neural network backpropagation adalah salah satu algoritma machine learning yang dapat digunakan untuk melakukan klasifikasi data. Klasifikasi data dilakukan dalan serangkaian proses training dan testing. Pada akhir proses testing yang juga merupakan akhir dari proses backpropagation, akan didapatkan nilai recognition rate. Nilai recognition rate merupakan nilai yang menandakan banyaknya data yang berhasil diklasifikasi dengan benar pada proses testing terhadap seluruh testing dataset. Recognition rate erat kaitannya dengan masalah underfitting, overfitting, local minima, dan local maxima. Keempat masalah ini menyebabkan nilai recognition rate yang didapatkan kurang optimal. Namun biasanya untuk menangani keempat masalah ini dilakukan pengaturan pada beberapa paramter, misalnya learning rate, momentum, jumlah layer, jumlah nodes, weights, dan lain-lain. Pada tulisan ini akan dijelaskan program optimasi yang melakukan pengaturan pada nilai inisialisasi weights untuk menangani keempat tersebut. Program ini melakukan inisialisasi weights menggunakan genetic algorithm pada backpropagation yang mengimplementasikan k-fold crossvalidation. Untuk menguji dan membandingkan program optimasi terhadap program implementasi backpropagation yang tidak dioptimasi program non-optimasi, digunakan empat dataset, yaitu iris flower dataset, seeds dataset, wine dataset, dan EEG dataset buatan. Pada akhir pengujian didapatkan hasil bahwa program optimasi berhasil mendapatkan nilai recognition rate lebih tinggi pada iris flower dataset, yaitu 97.33 pada program optimasi dan 96.67 pada program non-optimasi. Kemudian didapatkan pula nilai recognition rate yang lebih tinggi pada seeds dataset, yaitu 93.33 pada program optimasi dan 92.86 pada program non-optimasi. Lalu didapatkan pula nilai recognition rate yang lebih tinggi pada EEG dataset buatan, yaitu 37.5 pada program optimasi dan 35.94 pada program non-optimasi. Sedangkan pada wine dataset didapatkan nilai recognition rate yang sama antara program optimasi dan program non-optimasi, yaitu 99.44.

---

Backpropagation neural network backpropagation is one of machine learning algorithms that can be used to classify data. The data classification is done in a series of trainig and testing processes. At the end of testing process that is also the end of backpropagation process, the algorithm will produce recognition rate value. Recognition rate value indicates the total of correctly classified data in testing process againts all data in testing dataset. Recognition rate value related to underfitting, overfitting, local minima, and local maxima problems. However, to handle these problems adjusting some parameters are necessary to be done. These parameters are learning rate, momentum, number of layers, number of nodes, weights, etc. In this writting will be explained an optimization program that adjusts the initialization values of weights to handle those four problems. This program initializes weights using genetic algorithm on backpropagation implementing k fold crossvalidation. To test and compare the optimization program with a program that implements backpropagation without optimization non optimzation program four datasets will be used, those are iris flower dataset, seeds dataset, wine dataset, and artificial EEG dataset. At the end of the test, the results show that optimization program obtained higher recognition rate value on iris flower dataset, that is 97.33 on optimization program againts 96.67 on non optimization program. Other than that, optimization program obtained higher recognition rate value on seeds dataset, that is 93.33 on optimization program againts 92.86 on non optimization program. Also, optimization program obtained higher recognition rate value on artificial EEG dataset, that is 37.5 on optimization program againts 35.94 on non optimization program. However, the optimization program obtained an equal recognition rate value on wine dataset, that is 99.44."

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi energi dalam energi pendingin sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol yang dapat menentukan setpoint paling optimal untuk laju aliran air massa untuk meminimalkan energi dari sistem pendingin. Bangunan dimodelkan oleh perangkat lunak Sketchup dan energi pendingin dimodelkan dengan menggunakan teknik co-simulasi antara EnergyPlus dan Matlab melalui BCVTB (Building Controls Virtual Test). Menggunakan Artificial Neural Network (ANN) dan optimisasi Genetic Algorithm (GA) untuk membuat prediksi optimasi titik yang akurat. Penelitian ini mendapatkan penghematan konsumsi listrik chiller HVAC yang sudah menggunakan sistem part load terutama pada daya pompa chiller sebesar 67,675% penghematan dari kondisi aslinya.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, energy efficiency in cooling energy is needed. This study aims to develop a Control Algorithm that can determine the most optimal set point for the mass flow rate of air to drain energy from the cooling system. Buildings are modeled by Sketchup software and cooling energy is modeled using co-simulation techniques between EnergyPlus and Matlab through BCVTB (Building Controls Virtual Test). Use dynamic neural networks (ANN) and genetics algorithm (GA) optimization to make accurate point optimization predictions. This study found the saving of HVAC chiller electricity consumption that already use part load systems, especially on the power of the chiller pump by 67,675% savings from its original condition."

"Energi Surya merupakan Sumber Energi Terbarukan yang sangat potensial sebagai alternatif sumber energi khususnya kelistrikan, baik untuk mengurangi dampak lingkungan, maupun meningkatkan pelistrikan di daerah terpencil. Penelitian ini dilakukan untuk membangun Model Prediksi Sumber Energi Terbarukan Tenaga Surya di Indonesia. Dalam Studi ini diajukan prosedur optimalisasi Jaringan Syaraf Tiruan berdasarkan Theorema Cybenko tentang universalitas JST dengan 1-hidden layer, dan algoritma Neural Network Construction with Cross-validation Samples (N2C2S) dalam optimalisasi jumlah neuron pada hidden layer. Pemodelan dilakukan pada wilayah Indonesia menggunakan gabungan data meteorologi dan Radiasi Global Surya Bulanan dari SSE NASA dan BMKG selama 4 tahun di 14 lokasi untuk proses training JST, dan 6 lokasi sebagai target prediksi. Pola JST Feed forward multi layer digunakan dalam model ini dengan menerapkan metoda pembelajaran back propagation. Hasil modeling menunjukkan bahwa model JST dengan 1 hidden layer menghasilkan model kriteria akurasi yang sangat baik dengan MAPE 4,1% dan R2 0,82, dibandingkan dengan MAPE 7,52% dan R2 0,48 pada teknik regresi sebagai metoda yang umum digunakan dalam modeling prediksi. Penelitian ini juga mendemonstrasikan bahwa model JST dapat merepresentasikan prediksi lebih akurat dari teknik regresi, khususnya di mana terjadi dinamika yang tinggi pada variabel prediktornya. Hal ini menyimpulkan tidak saja bahwa dengan prosedur optimisasi JST dapat disusun secara optimal untuk memberikan struktur yang lebih sederhana, namun JST yang dihasilkan memberikan piranti prediksi yang akurat dan responsif terhadap dinamika data, dengan akurasi yang dapat dipertanggungjawabkan.

---

This study is focused on modeling the Global Solar Radiation using Artificial Neural Network to predict GSR in a location in Indonesia which is available with meteorological data but lack with radiation measurement data. In this study, an optimalisation of ANN development is proposed based on Cybenko Theorem on universal approximator of single-hidden layer Multi Layer Perceptor combined Neural Network Construction with Cross-validation Samples (N2C2S) algorithm for optimum number of hidden neuron. Data for weather and solar radiation parameter are taken from NASA and BMKG (Indonesian Meterological and Climatology Agency) for 20 cities in Indonesia during the period for 4 year, divided into two groups of 14 cities for model development and 6 cities for model validation. The developed model provides much better performance with MAPE of 4,1% and of R2 0,82, as to compare with the widely used regression technique with MAPE of 7,52% and R2 of 0,48. The simulation shows that an ANN with single-hidden layer is an excellent approximator for the solar radiation function in the targeted area, in particular in the periode where high dynamics is present in predictor variables. This shows that not only the model is able to predict the solar radiation in a good agreement with the actual data, but more importantly that the high dynamics fluctuation of parameter is successfully captured."