پیش بینی متغیرهای داخلی یک گلخانه دوطرفه شیشه ای با ساختار ویژه با استفاده از مدل های شبکه عصبی (MLP و RBF)

یکی از مهم ترین اقدامات به منظور ایجاد محیطی مناسب برای رشد بهینه گیاه گلخانه ای، کنترل دقیق متغیرهای داخلی گلخانه به منظور بهینه سازی میزان تبادلات انرژی بین گلخانه با محیط بیرون است. در این راستا یکی از ایده های جدید، هوشمندسازی گلخانه است. اولین قدم در این مسیر، پیش بینی تمامی متغیرهای تاثیرگذار یک گلخانه به حساب می آید. از این رو در این تحقیق از دو مدل شبکه عصبی (MLP-RBF) برای تخمین چهار متغیر تاثیرگذار (شامل دمای هوا، گیاه، سقف و رطوبت هوای داخل گلخانه) یک گلخانه دوطرفه شیشه ای 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 به عنوان فاکتورهای ورودی مدل ها، استفاده شد. داده برداری توسط حسگرهای مربوطه در گلخانه ای به مساحت (12 مترمربع) و حجم هوای (40 مترمکعب) انجام گرفت. نتایج نشان داد که مدل RBF از دقتی حدود 50% بیش تر نسبت به مدل MLP برخوردار است. در این تحقیق قابلیت تعمیم پذیری هر دو مدل با 80 و 40 درصد از کل داده های آموزشی مورد بررسی قرار گرفت. نتایج به دست آمده نشان داد که مدل RBF قادر است با مجموعه داده های کم تر نسبت به مدل MLP، نتایج را بهتر و دقیق تر برآورد کند. دقت بالاتر و قابلیت کار با مجموعه داده های کم تر از مزایای شناخته شده مدل RBF در این تحقیق بود که می تواند در هوشمند کردن گلخانه های نسل جدید و کنترل آن ها مورد استفاده قرار گیرد.