پیش‌بینی متغیرهای داخلی یک گلخانه دوطرفه شیشه‌ای با ساختار ویژه با استفاده از مدل‌های شبکه عصبی (MLP و RBF)

ماشین های کشاورزی

مقاله 8، دوره 10، شماره 2 - شماره پیاپی 20، 1399، صفحه 213-227   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.v10i2.72346

نویسندگان

مکیه حمدانی¹؛ مرتضی تاکی¹؛ مجید رهنما^{* 1}؛ عباس روحانی²؛ مصطفی رحمتی جنیدآباد³

¹گروه مهندسی ماشین‌های کشاورزی و مکانیزاسیون، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران

²گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

³گروه باغبانی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، ملاثانی، ایران

چکیده

یکی از مهم‌ترین اقدامات به‌منظور ایجاد محیطی مناسب برای رشد بهینه گیاه گلخانه‌ای، کنترل دقیق متغیرهای داخلی گلخانه به‌منظور بهینه‌سازی میزان تبادلات انرژی بین گلخانه با محیط بیرون است. در این راستا یکی از ایده‌های جدید، هوشمندسازی گلخانه است. اولین قدم در این مسیر، پیش‌بینی تمامی متغیرهای تاثیرگذار یک گلخانه به حساب می‌آید. از این رو در این تحقیق از دو مدل شبکه عصبی (MLP-RBF) برای تخمین چهار متغیر تأثیرگذار (شامل دمای هوا، گیاه، سقف و رطوبت هوای داخل گلخانه) یک گلخانه دوطرفه شیشه‌ای با ساختار ویژه واقع در شهر ملاثانی اهواز استفاده شد. بدین منظور از متغیرهای محیطی بیرونی شامل دما و رطوبت هوای بیرون و همچنین تابش روی سطح افق به‌عنوان فاکتورهای ورودی مدل‌ها، استفاده شد. داده‌برداری توسط حسگرهای مربوطه در گلخانه‌ای به مساحت (12 مترمربع) و حجم هوای (40 مترمکعب) انجام گرفت. نتایج نشان داد که مدل RBF از دقتی حدود 50% بیش‌تر نسبت به مدل MLP برخوردار است. در این تحقیق قابلیت تعمیم‌پذیری هر دو مدل با 80 و 40 درصد از کل داده‌های آموزشی مورد بررسی قرار گرفت. نتایج به‌دست آمده نشان داد که مدل RBF قادر است با مجموعه داده‌های کم‌تر نسبت به مدل MLP، نتایج را بهتر و دقیق‌تر برآورد کند. دقت بالاتر و قابلیت کار با مجموعه داده‌های کم‌تر از مزایای شناخته شده مدل RBF در این تحقیق بود که می‌تواند در هوشمند کردن گلخانه‌های نسل جدید و کنترل آن‌ها مورد استفاده قرار گیرد.

کلیدواژه‌ها

شبکه عصبی؛ گلخانه دوطرفه؛ مدل سازی؛ گلخانه های هوشمند

مراجع

1. Ben Ali, R. E., M. Aridhi, and A. Mami. 2016. Fuzzy Logic Controller of temperature and humidity inside an agricultural greenhouse. IEEE Journals & Magazines.

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

3. Bot G. P. A. 1983. Greenhouse Climate: From Physical Processes to a Dynamic Model. Ph.D. dissertation, Wageningen Agricultural University, Wageningen, The Netherlands, 240 pp.

4. Coelho, J. P., J. Boaventura, and P. B. Moura Oliveira. 2002. Solar radiation prediction methods applied to improve greenhouse climate control, in: World Congress of Computers in Agriculture and Natural Resources, 13-15 March. pp. 154-161.

5. 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.

6. Ehret, D., L. Hill, B. D. T. Helmer, and D. R. Edward. 2011. Neural network modeling of greenhouse tomato yield, growth and water use from automated crop monitoring data. Computers and Electronics in Agriculture 79: 82-89.

7. Falamarzi, Y., N. Palizdan, Y. F. Huang, and T. S. Lee. 2014. Estimating evapotranspiration from temperature and wind speed data using artificial and wavelet neural networks (WNNs). Agricultural Water Management 140: 26-36.

8. Feng, L. X., Q. L. Lin, M. G. Qi, and W. Gang. 2016. Modeling Greenhouse Temperature by Means of PLSR and BPNN. 35th Chinese Control Conference. July 27-29, Chengdu, China.

9. 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.

10. Gupta, R., G. N. Tiwari, G. N. Kumar, and Y. Gupta. 2012. Calculation of total solar fraction for different orientation of greenhouse using 3D-shadow analysis in Auto-CAD. Energy and Buildings 47: 27-34.

11. 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 (2010): S19-S23.

12. Hill, J. 2006. Dynamic modeling and energy use in a nursery greenhouse. MSc thesis.

13. Lachouri, C. E., K. H. Mansouri, M. M. Lafifi, and A. Belmeguenai. 2016. Adaptive Neuro-Fuzzy Inference Systems for Modeling Greenhouse Climate. International Journal of Advanced Computer Science and Applications 7: 12-18.

14. 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.

15. Manuel, A., R. Francisco, R. Armando, and B. Manuel. 2005. Discrete-time nonlinear FIR models with integrated variables for greenhouse indoor temperature simulation, in: Proceedings of the 44th IEEE Conference on Decision and Control, and the European Control Conference, CDC-ECC’05, pp. 4158-4162.

16. Rodriguez, J. D., A. Perez, and J. A. Lozano. 2010. A study of cross-validation and bootstrap for accuracy estimation and model selection. In: Proceeding of the international joint conference on artificial intelligence, 32: 569-575.

17. Rohani, A., M. Taki, and M. Abdollahpour. 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

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

19. Sethi, V. P. 2009. On the selection of shape and orientation of a greenhouse: thermal modeling and experimental validation. Solar Energy 83: 21-38.

20. Sethi, V. P., and R. K. Dubey. 2008. Optimal space utilization of a greenhouse using multi-rack tray system: Thermal modeling and experimental validation. Energy Conversion and Management 49: 2890-2899.

21. 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.

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

23. Taki, M., A. Rohani, M. Rahmati-Joneidabad. 2018b. Solar thermal simulation and applications in greenhouse. Information Processing in Agriculture 5: 83-113.

24. Taki, M., S. Abdanan Mehdizadeh, A. Rohani, M. Rahnama, and M. Rahmati-Joneidabad. 2018a. Applied machine learning in greenhouse simulation; new application and analysis. Information Processing in Agriculture, https://doi.org/10.1016/j.inpa.2018.01.003.

25. Taki, M., Y. Ajabshirchi, and A. Mahmoudi. 2012. Prediction of output energy for wheat production using artificial neural networks in Esfahan province of Iran. Journal of Agricultural Technology 8 (4): 1229-1242.

26. Taki, M., Y. Ajabshirchi, S. F. Ranjbar, A. Rohani, and M. Matloobi. 2017. Evaluation of heat transfer mathematical models and multiple linear regression to predict the inside variables in semi-solar greenhouse. Journal of Agricultural Machinery 7 (1): 2014-220. (In Farsi).

27. 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.

28. Vadiee, A., and V. Martin. 2013. Energy analysis and thermo economic assessment of the closed greenhouse – The largest commercial solar building. Applied Energy http://dx.doi.org/10.1016/j.apenergy.2013.06.051.

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

30. 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.