پیش بینی دمای هوای داخل گلخانه مجهز به سامانه ی سرمایش تبخیری با استفاده از مدل رگرسیونی و شبکه های عصبی مصنوعی (مطالعه موردی در شهر کرمان)

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 99

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBSE-49-4_005

تاریخ نمایه سازی: 31 اردیبهشت 1402

چکیده مقاله:

در کشاورزی امروزی، نقش گلخانه به عنوان ابزاری برای افزایش کمیت و کیفیت محصول، دارای اهمیت فراوان می­باشد. شرایط داخلی گلخانه به برخی  عوامل بیرونی وابسته است که به­طور معمول پیش­بینی دقیق آن­ها به سادگی امکان پذیر نیست. هدف از اجرای این تحقیق، تخمین دمای هوای داخل گلخانه در حالت­های بدون تهویه و با استفاده از سامانه­ی سرماش تبخیری با روش شبکه عصبی مصنوعی و مدل رگرسیونی است. از برخی عوامل مانند شدت تابش خورشید، دمای هوای محیط، دمای دیواره شمالی گلخانه، دبی و دمای هوای ورودی به گلخانه، به­عنوان ورودی مدل رگرسیونی و شبکه عصبی استفاده گردید. برای آموزش شبکه عصبی از پرسپترون چندلایه با الگوریتم یادگیری پس انتشار خطا و از الگوریتم­های آموزش لونبرگ مارکوارت، تنظیم به­روش بیزی و اسکالت کانژوگیت گرادینت و در مدل رگرسیونی از روش پیشرو و پسرو برای تعیین معادلات رگرسیونی استفاده شد. ارزیابی مدل شبکه عصبی و رگرسیونی با شاخص­های آماری میانگن مربعات خطا، ضریب تبیین و معیار متوسط قدر مطلق خطا تعیین گردید. مقایسه نتایج آماری حاکی از دقت بالاتر شبکه عصبی مصنوعی نسبت به مدل رگرسیونی است.

نویسندگان

محمد حسین شجاعی

بخش مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

حمید مرتضی پور

استادیار بخش مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

کاظم جعفری نعیمی

بخش مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

محمدمهدی مهارلویی

بخش مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Acosta, G. & Tosini, M., (۲۰۰۱). A firmware digital neural ...
  • Arahal, M. R., Rodriguez, F., Ramirez-Arias, A. & Berenguel, M., ...
  • Azadeh, A., Maghsoudi, A. & Sohrabkhani, S. (۲۰۰۹). An integrated ...
  • Boaventura Cunha, J., Couto, C. & Ruano, A., (۲۰۰۰). A ...
  • Dariouchy, A., Aassif, E., Lekouch, K., Bouirden, L. & Maze, ...
  • Dodange, M., (۲۰۱۱). Evaluation and evaluation of solar greenhouses against ...
  • Du, J., Bansal, P. & Huang, B. (۲۰۱۲). Simulation model ...
  • Ferreira, P., Faria, E. & Ruano, A. (۲۰۰۲). Neural network ...
  • Haykin, S. (۱۹۹۴). Neural networks: A comprehensive foundation: Macmillan college ...
  • Hecht-Nielsen, R., (۱۹۸۷). Kolmogorov’s mapping neural network existence theorem, Proceedings ...
  • Hornik, K., Stinchcombe, M. & White, H. (۱۹۸۹). Multilayer feedforward ...
  • Jain, S., Das, A. & Srivastava, D. (۱۹۹۹). Application of ...
  • Joudi, K. A. & Farhan, A. A. (۲۰۱۵). A dynamic ...
  • Karimi, S., Kisi, O., Shiri, J. & Makarynskyy, O. (۲۰۱۳). ...
  • Linker, R. & Seginer, I. (۲۰۰۴). Greenhouse temperature modeling: a ...
  • Makarian, H. a. R., A (۲۰۱۳). Prediction of Spatial Distribution ...
  • Marcos, S., Macchi, O., Vignat, C., Dreyfus, G., Personnaz, L. ...
  • Møller, Martin Fodslette. (۱۹۹۳). A scaled conjugate gradient algorithm for ...
  • Sabziparvar, A., A and Khataar, B (۲۰۱۴). Evaluation of Artificial ...
  • Seginer, I. (۱۹۹۷). Some artificial neural network applications to greenhouse ...
  • Saini, Lalit Mohan. (۲۰۰۸). Peak load forecasting using Bayesian regularization, ...
  • Wang, Y.-M. & Elhag, T. M. (۲۰۰۷). A comparison of ...
  • نمایش کامل مراجع