پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,533 |
| تعداد مقالات | 70,506 |
| تعداد مشاهده مقاله | 124,127,046 |
| تعداد دریافت فایل اصل مقاله | 97,234,848 |
پیشبینی دمای هوای یک گلخانه با پوشش پلی اتیلن با استفاده از شبکههای عصبی مصنوعی، مطالعه موردی: منطقه جیرفت | ||
| مهندسی بیوسیستم ایران | ||
| مقاله 11، دوره 51، شماره 1، فروردین 1399، صفحه 125-137 اصل مقاله (1.44 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2019.291077.665235 | ||
| نویسندگان | ||
| الهام بلندنظر1؛ حسن صدرنیا* 2؛ عباس روحانی2؛ مرتضی تاکی3 | ||
| 1گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 2گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران. | ||
| 3گروه مهندسی ماشینهای کشاورزی و مکانیزاسیون، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان-ملاثانی، خوزستان، ایران. | ||
| چکیده | ||
| دمـا و کنترل آن در گلخانه یکی از پارامترهای مهم در گلخانهها بوده و نقش اساسی در اقتصادی بودن تولید دارد. با وجود این که گلخانه یک محیط بسته است ولی کاملاً از محـیط بیرون ایزوله نیست. بنابراین شرایط داخل گلخانه تحت تأثیر تغییـرات آب و هوایی بیرون دائماً تمایل به تغییر دارد. هدف از اجرای این تحقیق، تخمین دمای هوا در یک گلخانه با پوشش پلی اتیلن با توجه به پارامترهای خارجی گلخانه شامل دمای هوا (Tout)، رطوبت نسبی هوا (Hout)، شدت تابش خورشید (S) و سرعت باد (V) با استفاده از روشهای مختلف شبکههای عصبی مصنوعی شامل پرسپترون چند لایه (MLP)، تابع شعاع مدار (RBF) و عصبی-فازی (ANFIS) میباشد. مقایسه بین مدلهای مختلف شبکههای عصبی نشان داد که روش RBF با ضریب تبیین بالاتر )93/0 (R2=و خطای کمتر (25/2(RMSE= نسبت به دو روش MLP و ANFIS دارای عملکرد بهتر در پیشبینی بود. نتایج ارزیابی مدل RBF برای پیشبینی دما در ساعات آینده بیانگر خطای قابل قبول در پیش بینی توسط این مدل تا دو ساعت آینده بود و بنابراین کشاورزان زمان کافی برای فراهم نمودن تمهیدات لازم جهت جلوگیری از افزایش دما در گلخانه در ساعات آینده و صرفه جویی در مصرف انرژی خواهند داشت. | ||
| کلیدواژه‌ها | ||
| "دمای گلخانه"؛ "پوشش پلی اتیلن"؛ "شبکههای عصبی مصنوعی"؛ "مدل سازی" | ||
| عنوان مقاله [English] | ||
| Prediction of Temperature in a Greenhouse Covered with Polyethylene Plastic Using Artificial Neural Networks, Case Study: Jiroft Region | ||
| نویسندگان [English] | ||
| Elham Bolandnazar1؛ hassan sadrnia2؛ Abbas Rohani2؛ Morteza Taki3 | ||
| 1PhD student of Biosystems Engineering Department, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran | ||
| 2Associate Professor of Biosystems Engineering Department, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran. | ||
| 3Department of agricultural machinery and mechanization, Agricultural Sciences and Natural Resources University of Khuzestan-Mollasani, Khuzestan, Iran. | ||
| چکیده [English] | ||
| Internal temperatures of greenhouse and its control is one of the important parameters in greenhouses and plays a key role in the economics of production. Although the greenhouse is a closed environment, it is not completely isolated from the outside. Therefore, the conditions inside the greenhouse are constantly changing under the influence of outside climate change. The purpose of this study was to estimate the internal air temperature of polyethylene greenhouse with respect to the external parameters of the greenhouse including air temperature (Tout), air relative humidity (Hout), solar radiation (S) and wind speed (V). For this purpose, different method of artificial neural networks including Multilayer Perceptron (MLP), Radial Basis Function (RBF) and Adaptive Nero Fuzzy Inference System (ANFIS) were used. Comparison between different neural network models showed that RBF method had better prediction performance than MLP and ANFIS with higher coefficient of determination (R2=0.93) and lower error (RMSE=2.25). The results of the RBF model estimation for the prediction future temperature indicated an acceptable error in the prediction by the model for the next two hours and thus, the farmers had enough time to provide the necessary measures to prevent the greenhouse temperature rise in the future and save in energy consumption. | ||
| کلیدواژه‌ها [English] | ||
| "Greenhouse temperature", " Polyethylene Cover", "artificial neural network", " modeling" | ||
| مراجع | ||
|
Anonymous. (2019). Statistics of Agricultural Jihad, From http://amar.kr.ir/. Atia, D.M & El-madany, H.T. (2016). Temperature control based on ANFIS. Journal of Electrical Systems and Information Technology, 1331–15. Basarir, A. (2003). Goals of Beef Cattle and Dairy Producers: A Comparison of the Fuzzy Pair -Wise Method and Simple Ranking Procedure. the Southern Agricultural Economics Association Annual Meeting, Mobile, AL February 1-5. Bot, G.P.A. (1983). Greenhouse Climate: From Physical Processes to a Dynamic Model. Ph.D. dissertation, Wageningen Agricultural University, Wageningen, The Netherlands, 101-108. Fatehi Marj, H. (2000). Investigating the chaos in dynamic systems. Master thesis, Ferdowsi university of mashhad. Feng, L.X., Lin, Q.L., Qi, M.G. & Gang, W. (2016). Modeling Greenhouse Temperature by Means of PLSR and BPNN. 35th Chinese Control Conference, July 27-29, Chengdu, China. Ferreira, P.M., Faria, E.A & Ruano, A.E. (2002). Neural network models in greenhouse air temperature prediction. Neurocomputing, 43(1), 51–75. Grzesiak, W., Blaszczyk, P. &Lacroix R. (2006). Methods of predicting milk yield in dairy cows-Predictive capabilities of Wood's lactation curve and artificial neural networks (ANNs). Computers and Electronics in Agriculture, 54(2), 69-83. Hagan, MT., Demuth, HB. & Beale, MH. (1996). Neural network design. PWS Publishing, Boston, 151-9. Hamdani, M., Taki, M., Rahnama, M., Rohani, A. & Rahmati-Joneidabad, M. (2018). Prediction the inside variables of even-span glass greenhouse with special structure by artificial neural network (MLP-RBF) models. Journal of Agricultural Machinery (accepted). Haykin, S. (1994). Neural Networks. MacMillan, New York. Hesami Rostami, R., Afshar, A., Mousavi, J. (2005). Flood prediction model using adaptive neural fuzzy inference system and comparison with regression method with case study of Karkheh River. First annual conference on water resources management in Iran, Tehran. Jang, J.S.R., Sun, C.T. Mizutani, E. (1997). Neuro- fuzzy and soft computing. Practice Hall, Englewood Cliffs, NJ, U.S.A. Menhaj, M.B. (2000). Basics of Artificial Neural Networks. Amir Kabir University of Technology Publications, Tehran, Iran. Omid, M. & Shafaei, A. (2004). Investigation of temperature and humidity variations within a greenhouse using a computer based data acquisition sytem. Journal of pajoohesh and sazandeghi, 17(3),67-73. (in Farsi) Pulido-Calvo, I. & Gutie´rrez-Estrada, J.C. (2009). Improved irrigation water demand forecasting using a soft- computing hybrid model. Biosystems Engineering, 102(2), 202–18. Rohani, A., Abbaspour-Fard, M.H. & Abdolahpour, Sh. (2011). Prediction of tractor repair and maintenance costs using artificial neural network. Expert Systems with Applications, 38(7), 8999-9007. Rohani, A., Taki, M. & Abdollahpour, M. (2018). A novel soft computing model (Gaussian process regression with K-fold cross validation) for daily and monthly solar radiation forecasting (Part: I). Renewable Energy, 115, 411-422. Shojaei, M.H., Mortezapour, H., JafariNaimi, K. &Maharlooei, M.M. (2018). Temperature Prediction of a Greenhouse Equipped with Evaporative Cooling System Using Regression Models and Artificial Neural Network (Case Study in Kerman City). Iranian Journal of Biosystems Engineering, 49(4), 567-576. (In Farsi) Taki, M., AbdananMehdizadeh, S., Rohani, A, Rahnama, M. & Rahmati-Joneidabad, M. (2018). Applied machine learning in greenhouse simulation; new application and analysis. Information processing in agriculture, 5(2), 253-268. Taki, M., Ajabshirchi, Y., Ranjbar, S.F., Rohani, A. & Matloobi, M. (2016a). Heat transfer and MLP neural network models to predict inside environment variables and energy lost in a semi-solar greenhouse. Energy and Buildings, 110, 314–329. Taki, M., Ajabshirchi1, Y., Ranjbar, S. F., Rohani, A. & Matloobi, M. (2016b). Prediction of Soil Temperature and Inside air Humidity in a SemiSolar Greenhouse Equipped with Cement North Wall by Artificial Neural Network; Case study: Tabriz city. Journal of Agricultural Mechanization, 3(1), 71-83. Vadiee, A. (2011). Energy Analysis of the Closed Greenhouse Concept -Toward one Sustainable Energy Pathway. KTH Industrial Engineering and Management, Department of Energy Technology, Division of Heat and Power Technology, SE-100 44 STOCKHOLM. Yang, C.C., Prasher, S.O., Landry, J.A. & Ramaswamy, H.S. (2003). Development of an herbicide application map using artificial neural networks and fuzzy logic. Agricultural Systems, 76(2), 561–574. | ||
|
آمار تعداد مشاهده مقاله: 426 تعداد دریافت فایل اصل مقاله: 447 |
||