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

گلخانه آب دریایی با استفاده از روش رطوبت‌زنی و رطوبت‌زدایی می‌تواند از آب‌های شور و لب شور نمک‌زدایی 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 سقف گلخانه 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 درصد میانگین مطلق خطا، ریشه میانگین دوم خطا و توان دوم ضریب همبستگی 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 گلخانه‌ای با 125 متر عرض، 200 متر طول، ارتفاع اواپراتور برابر 4 متر و ضریب گذردهی 0/6 که دارای آب شیرین تولیدی 161/6 مترمکعب در روز و 1/558 کیلووات ساعت بر متر مکعب مصرف انرژی می‌باشد، به عنوان گلخانه آب دریایی بهینه معرفی شد.

An Artificial Neural Network Approach for Modeling and Prediction of Energy Consumption in a Seawater Greenhouse

Seawater greenhouse using humidificationdehumidification 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 multilayer perceptron have been used for modeling. An appropriate structure for this method was obtained and the mathematical statistics of the percent of the average absolute relative error, root mean square deviation, and square correlation coefficient 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.