پیش‌بینی دما، رطوبت و انرژی مصرفی در شرایط محیطی سالن مرغداری به کمک شبکه عصبی مصنوعی

ماشین های کشاورزی

مقاله 19، دوره 7، شماره 2 - شماره پیاپی 14، 1396، صفحه 546-557   

نوع مقاله: مقاله کوتاه

شناسه دیجیتال (DOI): 10.22067/jam.v7i2.50799

نویسندگان

نعیمه غلامرضایی^{* 1}؛ کوروش قادری²؛ کاظم جعفری نعیمی¹

¹بخش مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

²گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

فراهم شدن شرایط مطلوب سالن‌های صنعتی پرورش مرغ گوشتی، مستلزم ثابت بودن عامل‌های دما و رطوبت داخل سالن در حد بهینه و کاهش دامنه تغییرات آن از مقدار بهینه است. یکی از راه‌های تنظیم و تثبیت این عامل‌ها، استفاده از ابزار دقیق و سامانه‌های الکترونیکی با دقت اندازه‌گیری بالا برای کنترل تجهیزات تهویه است. در این تحقیق از شبکه عصبی پرسپترون چندلایه (MLP) به‌منظور پیش‌بینی دما و رطوبت و همچنین انرژی مصرفی تجهیزات استفاده شد. ورودی‌های مدل شامل طول، عرض و ارتفاع قرارگیری حس‌گرهای واحد کنترل الکترونیکی در60 نقطه با مختصات متفاوت بودند. شبکه دولایه با ساختار 1-10 با R² و MSE به‌ترتیب برابر با 0/96 و 0/00912 بهترین نتیجه را برای پیش‌بینی دما داشت. شبکه سه لایه با ساختار 1-10-20 بهترین نتیجه را برای پیش‌بینی رطوبت با R² و MSE به‌ترتیب برابر با 0/8 و 0/00783 و همچنین شبکه سه لایه با ساختار 1-10-10 بهترین نتیجه را برای پیش‌بینی انرژی مصرفی با R² و MSE به‌ترتیب برابر با 0/98 و 0/00114 نشان داد. از نتایج تحقیق می‌توان در بهینه‌سازی و مدیریت مصرف انرژی در مرغداری‌ها بهره گرفت.

کلیدواژه‌ها

انرژی؛ دما؛ شبکه عصبی مصنوعی؛ کنترل الکترونیک؛ مدل‌سازی

مراجع

1. Adamchuk, V. I., A. V. Skotnikov, J. D. Speichinger, and M. F. Kocher. 2004. Development of an instrumented deep-tillage implement for sensing of soil mechanical resistance. Trans. ASAE. 47: 1913-191.

2. Anami, B. S., J. D. Pujari, and R. Yakkhundimath. 2011. Identification and classification of normal and affected agriculture/horticulture produce based on combined color and texture feature extraction. International Journal of Computer Applications in Engineering Sciences 1: 356-360.

3. Arjona, R., P. Ollero, and F. Vidal. 2005. Automation of an olive waste industrial rotary dryer. Journal of Food Engineering 68: 239-242.

4. Azadeh, A., S. F. Ghaderi, and S. Sohrabkhani. 2006. Forecasting electrical consumption by integration of Neural Network, time series and ANOVA.

5. Ishikawa, S., and V. Gulick. 2013. An automated mineral classifier using Raman spectra. Computers and Geosciences 54: 259-268.

6. Jacovides, C. P. 1997. Reply to comment on Statistical procedures for the evaluation of evapotranspiration models. Agricultural Water Management 3: 95-97.

7. Kaul, M., R. L. Hill, and C. Walthall. 2005. Artificial neural networks for corn and soybean yield prediction. Agriculture system 85: 1-18.

8. Keshavarz, J. 2014. Design, fabrication and evaluation of the electronic control system of temperature and humidity, in the industrial poultry farm. M. Sc. Thesis, Faculty of Agricultural, Bahonar University. (In Farsi).

9. Moallem, P., and A. Monajemi. 2007. A heuristic criterion for goodness of multi layer perceptron as a classifier. First Data Mining Conference. Amir Kabir University, Tehran, Iran. (In Farsi).

10. Rashed Mohassel, M. H., H. Najafi, and M. D. Akbarzadeh. 2001. Weed Biology and Control. Ferdowsi University Press, 404p. (In Farsi).

11. Rizzoni, G. 2000. Principels and Applications of Electrical Engineering, 3td ed., McGraw-Hill, USA.

12. Sigari, M. H., H. Sigari, and N. Mozayani. 2012. Estimated time of drying food using computer vision and artificial neural network. Fifth National Conference on Agricultural Machinery Engineering and Mechanisation. Ferdowsi University, Mashhad, Iran. (In Farsi).

13. Simmons, J. D., and B. D. Loit. 1993. Automatic Fan Control, Agricultural Research Service, South Central Poultry Research Laboratory, Mississipi Stat. pp. 323-2230.

14. Storey, N., 1998. Electronics: A system approach, Prentice Hall, Harlow.

15. Torrecilla, J. S., L. Otero, and P. D. Sanz. 2004. A neural network approach for thermal/pressure food processing. Food Engineering 62: 89-95.

16. Vakil-Baghmisheh, M. T. 2002. Farsi Character Recognition Using Artificial Neural Networks. PhD Thesis, Faculty of Electrical Engineering, University of Ljubljana.

17. Visen, N. S., D. S. Jayas, J. Paliwal, and N. D. G. White. 2004. Comparison of two neural network architectures for classification of singulated cereal grains. Journal of Canadian Biosystem Engineering 46: 7-14.

18. Zhang, Q., S. Y. Yang, G. S. Mittal, and S. Yi. 2002. Prediction of performance indices and optimal parameters of rough rice drying using neural network. Biosystems Engineering 83 (3): 281-290.

19. Zhang, Y. F., and J. Y. H. Fun. 1998. A neural network approach for early cost estimation of packaging products. Computers & Industrial Engineering 34: 433-50.