به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت
جستجوی مقالات مرتبط با کلیدواژه

simulation model

در نشریات گروه مکانیزاسیون کشاورزی
تکرار جستجوی کلیدواژه simulation model در نشریات گروه کشاورزی
تکرار جستجوی کلیدواژه simulation model در مقالات مجلات علمی
  • هژیر ع قادری، رضا علیمردانی*، سید سعید محتسبی، محمد حسین پور زرنق
    ایجاد شرایط مناسب به جهت رشد گیاه در گلخانه نیازمند صرف کردن منابع و هزینه های عملیاتی است. به منظور مدیریت صحیح و صرفه جویی در مصرف منابع و هزینه ها در گلخانه، کنترل شرایط محیطی بایستی به شکل کارآمد و اثربخشی صورت بپذیرد. روش مبتنی بر مدل دینامیکی با توجه به قدمت و برخورداری از ماهیت ریاضی پیوسته مورد توجه محققان در حوزه کنترل شرایط محیطی گلخانه بوده است. در این تحقیق، یک سامانه پیش بینی شرایط محیطی برای گلخانه شیشه ای با استفاده از یادگیری عمیق طراحی شد. روش توسعه داده شده در مهیا کردن شرایط دقیق در تولید محصول گوجه فرنگی در گلخانه شیشه ای انجام شد. مدل توسعه داده شده مبتنی بر یادگیری عمیق پیش بینی دما، رطوبت نسبی و غلظت دی اکسید کربن داخل گلخانه را بر اساس ورودی های سرعت باد، دمای مجازی آسمان، میزان تابش فعال فتوسنتزی، تابش تجمعی، دما، رطوبت نسبی و غلظت دی اکسید کربن بیرون با ضریب تبیین 81/0، 61/0 و 85/0 انجام داد. شبکه عصبی عمیق به دلیل استفاده از داده های عملیاتی گلخانه تحت کنترل کارشناسان خبره دارای عملکرد مناسب بود و نسبت به مدل های دینامیکی مزایای امکان به کارگیری بدون نیاز به مدل قبلی، تصمیم گیری پیوسته و بلندمدت برای شرایط محیطی بر اساس نیازهای گیاه، پایداری ذاتی بالا، سازگاری بالا و پیچیدگی کم در آموزش بلادرنگ را مهیا می کند. بر این اساس روش های دقیق مبتنی بر هوش مصنوعی می توانند به انتخاب بهترین راهکار در راستای حل مسئله کنترل بهینه گلخانه برای افزایش عملکرد و کاهش هزینه بیانجامد.
    کلید واژگان: گلخانه هوشمند، هوش مصنوعی، مدل های شبیه سازی
    Hajir Ein Ghaderi, Reza Alimardani *, Seyed Saeid Mohtasebi, Mohammad Hosseinpour-Zarnaq
    Providing proper conditions for plant growth in the greenhouse requires precise management of resources concerning operating costs. Consequently, an automatic and efficient greenhouse weather control system is needed for accurate management and cost reduction. Traditionally, dynamic models have been valuable tools for controlling the greenhouse climate. In this research, the design of a system for predicting the environmental conditions of the greenhouse was studied using deep learning. The developed method was implemented to ensure precise conditions for the production of tomato crops in a glass greenhouse. The deep learning-based model successfully predicted the greenhouse temperature, relative humidity, and carbon dioxide concentration using inputs such as wind speed, the virtual sky temperature, cumulative outside global radiation, outside photosynthetically active radiation, outside temperature, outside relative humidity, and outside carbon dioxide concentration, with coefficients of determination of 0.81, 0.61, and 0.85, respectively. The performance of the deep neural network was significant due to the utilization of precise data controlled by expert operators. Compared to dynamic modelling, the advantages of the suggested framework include high stability, adaptability for use without the need for a previous model, the ability to make unlimited decisions, and low complexity in real-time training. Therefore, smart artificial intelligence methods can lead to finding the best solution for optimal greenhouse control, enhancing performance, and reducing costs while addressing other limitations.
    Keywords: Smart Greenhouses, Artificial Intelligence, Simulation Model
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال