مدل‌سازي انرژي خروجي خيار گلخانه‌اي و بوته‌اي بر پايه الگوي مصرف انرژي با استفاده از شبكه عصبي مصنوعي و انفيس

Greenhouse and open-field cucumber output energy modeling based on the pattern of energy consumption using artificial neural network and ANFIS

هدف از اين مطالعه، بررسي دو سامانه هوشمند شبكه عصبي مصنوعي و سامانه استنتاجي عصبي- فازي تطبيقي چندلايه (انفيس) براي مدل‌سازي انرژي خروجي در توليد خيار گلخانه‌اي و بوته‌اي است. براي تعيين الگوي انرژي مصرفي، داده‌هاي مورد نياز به طور مستقيم از 160 بهره‌بردار خيار جمع‌آوري شد. با تحليل نتايج، ميانگين انرژي ورودي و خروجي در توليد خيار گلخانه‌اي به ترتيب 1/1159901 و 256/173985 مگاژول و براي خيار بوته‌اي به ترتيب 11/75648 و 433/22694 مگاژول محاسبه شد. بيشترين انرژي ورودي در توليد خيارگلخانه‌اي و بوته‌اي به ترتيب مربوط به انرژي سوخت و الكتريسيته تعيين شدند، كمترين انرژي ورودي مربوط به انرژي بذر بود. با استفاده از داده‌هاي انرژي ورودي و خروجي، مدل‌سازي ميزان انرژي خروجي به ازاي انرژي ورودي با استفاده از دو روش مدل‌سازي مذكور انجام شد. با توجه به نتايج مدل سامانه استنتاج عصبي- فازي تطبيقي چندلايه، ميزان ضريب تشخيص و مجذور ميانگين مربعات خطا براي خيار گلخانه‌اي و بوته‌اي، به ترتيب برابر با 9924/0، 9920/0، 051/ و 013/0 به دست آمدند. همچنين مقادير اين پارامترها براي مدل شبكه عصبي مصنوعي براي خيار گلخانه‌اي با ساختار بهينه (1-10-8) و براي بوته‌اي با ساختار (1-12-8) به ترتيب برابر با 9492/0و 9785/0، RMSE 0121/0 و 0418/0 تعيين شدند. نتايج نشان مي‌‌دهند كه هر چند مدل فازي بهتر عمل كرده است ولي هر دو مدل در تخمين ميزان انرژي خروجي توانايي خوبي دارند.

The aim of this research is to study two intelligent systems including artificial neural network and multi – layer adaptive neuro-fuzzy inference system (ANFIS) for modeling the output energy in production of greenhouse and open-field cucumber. In order to determine the pattern of consumed energy, the required information was collected directly from the 160 cucumber beneficiary. By analyzing the results, the average input and output energy was respectively equal to 1159901.1 MJ and 173985.256 MJ for greenhouse cucumber production and respectively 75648.11 MJ and 22694.433 MJ for open-field cucumber production . The maximum input energy in production of greenhouse and open-field cucumber was related to fuel and electricity respectively. The minimum input energy was related to seed energy. Using the input and output energy data, modeling of output energy was performed based the input energy and using the mentioned modeling methods. Refer to the results of ANFIS model, the values of coefficient of determination and root mean square error for greenhouse and open-field cucumber were equal to 0.9924, 9920 and 0.051 and 0.0130, respectively, Furthermore, these values were determined using the neural network modelwith optimum structure of (8-10-1) for greenhouse cucumber and structure of (8-12-1) for open-field cucumber. It was revealed that the coefficient of determination value was equal to 0.9492 and 0.9785, and RMSE was equal to 0.0121 and 0.0418, respectively. The results showed that although the fuzzy model had better performance, but both of the two models had good ability to estimate the amount of output energy.