مدل سازی و پیش بینی میزان مصرف انرژی در گلخانه آب دریایی با استفاده از شبکه هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه هرمزگان

2 شرکت گاز اهواز

چکیده

گلخانه آب دریایی با استفاده از روش رطوبت زنی و رطوبت‌زدایی می‌تواند از آب‌های شور و لب شور نمک زدایی کرده و آب شیرین تولیدی را برای مصارف کشاورزی گلخانه و هم مصارف شرب مورد بهره‌برداری قرار دهد. پارامترهای زیادی بر عملکرد گلخانه آب دریایی تاثیرگذار هستند. در این مطالعه با استفاده از روش هوشمند شبکه عصبی مصنوعی به بررسی پارامترهای عرض و طول گلخانه، ارتفاع اواپراتور اول و ضریب گذردهی بر روی میزان مصرف انرژی در گلخانه آب دریایی پرداخته شده است. شبکه‌های عصبی مصنوعی پرسپترون چند لایه برای مدلسازی مورد استفاده قرار گرفته است. ساختار مناسبی برای این روش به دست آمد و برای ارزیابی عملکرد شبکه‌ از آمارهای ریاضی %AARE، RMSE و R2 استفاده شده است. روش موجود تطبیق خوبی با دادههای آزمایشگاهی دارد. با استفاده از شبکه بهینه ایجاد شده، تاثیر هر پارامتر بر میزان مصرف انرژی مورد ارزیابی قرار گرفت. در نهایت گلخانه ای با 125 متر عرض، 200 متر طول، ارتفاع اواپراتور برابر 4 متر و ضریب گذردهی 6/0 که دارای آب شیرین تولیدی 6/161 مترمکعب در روز و 558/1 کیلووات ساعت بر متر مکعب مصرف انرژی می باشد، به عنوان گلخانه آب دریایی بهینه معرفی شد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Artificial neural network approach for modeling and prediction of energy consumption in a seawater greenhouse

نویسندگان [English]

  • Taleb Zaree 1
  • Reza Behyad 2
1 Mechanical Engineering Department, University of Hormozgan, Bandar Abbas, Iran
2 Gas companey
چکیده [English]

Seawater greenhouse using humidification-dehumidification method can desalinate saline water and utilize fresh water for the greenhouse and drinking. Many parameters affect the performance of the seawater greenhouse. In this study, the effect of the width and length of the greenhouse, the height of the first evaporator and the roof transparency parameters on the energy consumption in the seawater greenhouse were investigated with the artificial neural network method. Artificial neural networks of the multi-layer perceptron (MLP) have been used for modeling. An appropriate structure for this method was obtained and the mathematical statistics of %AARE, RMSE and R2 were used to evaluate the network performance. The existing method is in good agreement with experimental data. Using this optimized network, the effect of each parameter on the energy consumption was evaluated. Finally, a greenhouse with a width of 125 meters, a length of 200 meters, an evaporator height of 4 meters, and a roof transparency of 0.6, which produces 161.6 m3/day of fresh water and 1.558 kWh /m3 of energy consumption, was introduced as an optimal seawater greenhouse.

کلیدواژه‌ها [English]

  • Seawater greenhouse
  • desalination
  • energy consumption
  • artificial neural network
  • Multi-Layer Perceptron (MLP)