ارزیابی مدل های ریاضی انتقال حرارت و رگرسیون چندگانه در پیش بینی متغیرهای داخلی گلخانه نیمه خورشیدی

ماشین های کشاورزی

مقاله 17، دوره 7، شماره 1 - شماره پیاپی 13، 1396، صفحه 204-220   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v7i1.48924

نویسندگان

مرتضی تاکی^{* 1}؛ یحیی عجب شیرچی²؛ سید فرامرز رنجبر³؛ عباس روحانی⁴؛ منصور مطلوبی⁵

¹گروه مهندسی ماشین‌های کشاورزی و مکانیزاسیون، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان، اهواز، ایران

²گروه مهندسی بیوسیستم، دانشگاه تبریز، تبریز، ایران

³گروه مهندسی مکانیک، دانشگاه تبریز، تبریز، ایران

⁴گروه مهندسی بیوسیستم دانشگاه فردوسی مشهد، مشهد، ایران

⁵گروه باغبانی، دانشگاه تبریز، تبریز، ایران

چکیده

در کشاورزی مدرن نقش گلخانه به‌عنوان ابزاری برای افزایش میزان کمیت و کیفیت محصول کشت شده، بسیار حائز اهمیت است. شرایط داخلی گلخانه معمولاً بسیار پیچیده و تابع برخی عوامل داخلی و بیرونی است که معمولاً تخمین آن ها به درستی امکان پذیر نیست. هدف از اجرای این تحقیق، تخمین دمای هوای داخلی (Ta) و دمای سقف (Tri) گلخانه ای نیمه خورشیدی با استفاده از مدل های نیمه تجربی انتقال حرارت و رگرسیون چندگانه است. گلخانه مورد نظر با توجه به انواع مرسوم منطقه و براساس دریافت بیش ترین میزان انرژی خورشیدی در تمام فصول سال طراحی و ساخته شد. از برخی عوامل داخلی ازجمله دمای هوا، سقف، خاک و برخی عوامل بیرونی ازجمله دمای هوای محیط، سرعت باد و شدت تابش خورشید روی سقف گلخانه، به عنوان ورودی های مدل رگرسیونی استفاده شد. نتایج نشان داد که کارایی مدل رگرسیونی در تخمین پارامترهای موردنظر بیش تر از مدل حرارتی است. ریشه میانگین مربعات خطا برای مدل حرارتی در تخمین پارامترهای (Ta) و (Tri) به ترتیب معادل 55/1 و54/6 برابر بیش تر از مقادیر این شاخص برای مدل رگرسیونی بود. همچنین مقدار شاخص ویلموت (W) و فاکتور کارایی مدل (EF) برای مدل حرارتی در تخمین پارامترهای فوق به ترتیب معادل 013/0 و 220/0، 003/0 و 041/0 کم تر از مقادیر مشابه مدل رگرسیونی بود که نشان از عدم تطبیق مناسب داده های پیش بینی شده با مقادیر واقعی توسط مدل حرارتی است. پیشنهاد می شود از سایر روش ها ازجمله شبکه های عصبی مصنوعی و الگوریتم ژنتیک در تخمین متغیرهای داخلی گلخانه استفاده شود و نتایج به دست آمده با مقادیر مشابه دو مدل فوق، مقایسه گردد.

کلیدواژه‌ها

انتقال حرارت؛ کارایی مدل؛ گلخانه نیمه خورشیدی؛ مدل سازی

مراجع

1. Abdel Ghany, A. M. and I. M. Helal. 2011. Solar energy utilization by a greenhouse: General relations. Renewable Energy 36: 189-196.

2. Abdi R., M. Taki, and M. Akbarpour. 2012. An Analysis of Energy input-output and Emissions of Greenhouse Gases from Agricultural Productions. International Journal of Natural and Engineering Sciences 6 (3): 73-79.

3. Alonso, J. P., M. P. Garcia, M. P. Romera, and A. J. C. Ferre. 2012. Performance analysis and neural modeling of a greenhouse integrated photovoltaic system. Renewable and Sustainable Energy Reviews 16: 4675-4685.

4. Banaeian, N., M. Omid, and H. Ahmad. 2011. Application of Data Envelopment Analysis to Evaluate Efficiency of Commercial Greenhouse Strawberry. Research Journal of Applied Sciences, Engineering and Technology 3 (3): 185-193.

5. Boaventura, L., C. Couto, and A. E. B. Ruano. 2000. A greenhouse climate multivariable predictive controller, Acta Horticulturae 534: 269-276.

6. Buchholz, M., R. Buchholz, and P. Jochum. 2006. Temperature and humidity control in the Watergy greenhouse. Acta Horticulturae 2: 719-731.

7. Canakci, M., and I. Akinci. 2006. Energy use pattern analyses of greenhouse vegetable production. Energy 31 (8-9): 1243-1256.

8. Chandra, P. 1976. Predicting the effects of greenhouse orientation and insulation on energy conservation. Unpublished M.Sc. thesis. Department of Agricultural Engineering, University of Manitoba, Winnipeg, Manitoba, Canada.

9. Chandra, P., and L. D. Albright. 1978. Analytical determination of the effects of using night curtains in greenhouses Paper ASAE.

10. Dariouchy, A., E. Aassif, K. Lekouch, L. Bouirden, and G. Maze. 2009. Prediction of the intern parameters tomato greenhouse in a semi-arid area using a time-series model of artificial neural networks. Measurement 42: 456-463.

11. Du, J., P. Bansal, and B. Huang. 2012. Simulation model of a greenhouse with a heat-pipe heating system. Applied Energy 93: 268-276.

12. Ferreira, P. M., E. A. Faria, and A. E. Ruano. 2002. Neural network models in greenhouse air temperature prediction. Neurocomputing 43 (1-4): 51-75.

13. Fuller, R., C. Meyer, and P. Sale. 1987. Validation of a dynamic model for predicting energy use in greenhouse. Journal of Agricultural Engineering 38: 1-14.

14. He, F., and C. Ma. 2010. Modeling greenhouse air humidity by means of artificial neural network and principal component analysis. Computers and Electronics in Agriculture 71S: S19-S23.

15. Heuvelink, E., and M. Bakker. 2008. Climate and yield in a closed greenhouse. Acta Horticulture 801: 1083-1092.

16. Hoes, H., and J. Desmedt. 2008. The GESKAS project, closed greenhouse as energy source and optimal growing environment. Acta Horticulture 801: 1355-1362.

17. Hollmuller, P., and B. Lachal. 1998. TRNSYS compatible moist air hypocaust model. Final report. Project number 19507. University De Geneve.

18. Joudi, K. A., and A. Farhan A. 2015. A dynamic model and an experimental study for the internal air and soil temperatures in an innovative greenhouse. Energy conversion and management 91: 76-82.

19. Linker, R., and I. Seginer. 2004. Greenhouse temperature modeling: a comparison between sigmoid neural networks and hybrid models. Mathematics and Computers in Simulation 65: 19-29.

20. Linker, R., I. Seginer and P.O. Gutman. 1998. Optimal CO2 control in a greenhouse modeled with neural networks. Computers and Electronics in Agriculture 19: 289-310.

21. McCune, W. F., and D. Stipe .1960. Electric heating for plastic greenhouses, a summary of progress report to the Texas Farm Electrification Committee. Texas A&M University, College Station, TX: Department of Agricultural Engineering.

22. Morris, L. G. 1956. Some aspect of the control of plant environment. Journal of agricultural engineering research 1: 156-166.

23. Nayak, S., and G. N. Tiwari. 2006. Energy metrics of photovoltaic/thermal and earth air heat exchanger integrated greenhouse for different climatic conditions of India. Applied Energy 87: 2984-2993.

24. Ntinas, G. K., V. P. Fragos, and C. H. N. Martzopoulou. 2014. Thermal analysis of a hybrid solar energy saving system inside a greenhouse. Energy Conversion and Management 81: 428-439.

25. Omid, M., F. Ghojabeige, M. Delshad, and H. Ahmadi. 2011. Energy use pattern and benchmarking of selected greenhouses in Iran using data envelopment analysis. Energy conversion and Management 52: 153-162.

26. Panwar, N. L., S. C. Kaushik, and S. Kothari. 2011. Solar greenhouse an option for renewable and sustainable farming. Renewable and Sustainable Energy Reviews 15: 3934-3945.

27. Rohani, A., M. H. Abbaspour-Fard and S. Abdolahpour. 2011. Prediction of tractor repair and maintenance costs using artificial neural network. Expert Sys. Applications 38: 8999-9007.

28. Shukla, A., G. N. Tiwari, and M. S. Sodha. 2006. Thermal modeling for greenhouse heating by using thermal curtain and an earth–air heat exchanger. Building and Environment 41 (7): 843-850.

29. Shukla, M. K., R. Lal, and P. Unkefer. 2003. Experimental evaluation of infiltration models for different land use and soil management systems. Soil Science 168 (3): 178-191.

30. Simpkins, J. C., D. R. Mears, and W. J. Robert. 1979. Reducing closes in polyethylene covered greenhouses. ASABE 19 (4): 714-719.

31. Singh, R. D., and G. N. Tiwari. 2010. Energy conservation in the greenhouse system: A steady state analysis. Energy 35: 2367-2373.

32. Taki, M., R. Abdi, M. Akbarpour, and H. G. Mobtaker. 2013. Energy inputs – yield relationship and sensitivity analysis for tomato greenhouse production in Iran. Agric Eng Int: CIGR Journal 15 (1): 59-67.

33. Taki, M., Y. Ajabshirchi, S. F. Ranjbar, A. Rohani, and M. Matloobi. 2016. 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.

34. Tiwari G. N., M. A. Akhtar, A. Shukla, and M. Emran Khan. 2006. Annual thermal performance of greenhouse with an earth–air heat exchanger: An experimental validation. Renewable Energy 31: 2432-2446.

35. Vadiee, A. 2011. Energy Analysis of the Closed Greenhouse Concept-Toward one Sustainable Energy Pathway. KTH School of Industrial Engineering and Management Department of Energy Technology Division of Heat and Power Technology SE-100 44 STOCKHOLM.

36. Vadiee, A., and V. Martin. 2012. Energy management in horticultural applications through the closed greenhouse concept, state of the art. Renewable and Sustainable Energy Reviews 16: 5087-5100.

37. Vadiee, A., and V. Martin. 2013. Energy analysis and thermo economic assessment of the closed greenhouse – The largest commercial solar building. Applied Energy 102: 1256-1266.

38. Van Ooteghem, R. J. C. 2007. Optimal Control Design for a Solar Greenhouse, Systems and Control. Wageningen: Wageningen University.

39. Van Straten, G., G. Van Willigenburg, E. Van Henten, and R. Van Oothghem. 2011. Optimal control of greenhouse cultivation. CRC press, Taylor and Francis, New York.

40. Walker, J. N. 1965. Predicting temperatures in ventilated greenhouse. Transactions of the American society of agricultural angineers 8 (3): 445-448.

41. Willits, D., P. Chandra, and M. Peet. 1985. Modeling solar energy storage system for greenhouse. Journal of Agricultural Engineering 32: 73-79.

42. Willmott, C., J. Ackleson, S. G. Davis, R. E. Feddema, J. J. Klink, K. M. Legates, D. R. Donnell, and C. M. Rowe. 1985. Statistics for the evaluation and comparison of models. Journal of Geophysical Research 90: 8995-9005.

43. Zabeltitz, C. V. 2011. Integrated Greenhouse Systems for Mild Climates. Springer-Verlag Berlin Heidelberg.