РАЗРАБОТКА АДАПТИВНЫХ НЕЙРО-НЕЧЕТКИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПРОИЗВОДИТЕЛЬНОСТИ СОЛНЕЧНОЙ СУШИЛКИ

АННОТАЦИЯ

В статье основное внимание уделяется различным методам моделирования солнечной сушильной системы. Методы моделирования очень важны для разработки, повышения эффективности сушки, анализа и прогнозирования производительности различных типов систем солнечной сушки. Методы моделирования также важны для прогнозирования температуры, влажности урожая, скорости сушки, качества урожая и цвета урожая. Система нечеткого вывода на основе адаптивной сети (ANFIS) может использоваться для прогнозирования поведения системы сушки на солнечной энергии. FUZZY — это очень важное программное обеспечение для моделирования системы сушки. Его также можно использовать для точного прогнозирования результатов с минимальной погрешностью. Он помогает сэкономить огромное количество времени, энергии и денег на экспериментальных мероприятиях. Таким образом, анализ на основе методов моделирования позволяет не только сэкономить время, но и капиталовложения в систему сушки на солнечной энергии.

ABSTRACT

The article focuses on various methods for modeling a solar drying system. Modeling techniques are very important for designing, improving drying efficiency, analyzing and predicting the performance of various types of solar drying systems. Modeling techniques are also important for predicting crop temperature, crop moisture, drying rate, crop quality, and crop color. An adaptive network fuzzy inference system (ANFIS) can be used to predict the behavior of a solar drying system. FUZZY is a very important drying system simulation software. It can also be used to accurately predict results with minimal error. It helps save enormous amounts of time, energy and money on experimental activities. Thus, analysis based on simulation methods not only saves time but also saves investment in a solar drying system.

Ключевые слова: гелиосушка, лекарственные растения, базилик, имитационные модель.

Keywords: system analysis, mathematical modeling, hydrotreatment, diesel fuel, thermodynamics, kinetic model, stoichiometric matrix.

Введение. Сушка — это жизненно важное явление, практикуемое в пищевой промышленности для безопасного хранения сельскохозяйственной продукции за счет снижения ее микробной активности. Технология солнечной сушки используется в сельском хозяйстве для сохранения продуктов питания, фруктов, семян и овощей и на практике доказала свою экономичность и экологичность [1]. Во многих странах солнечная сушилка широко используется для сушки сельскохозяйственных культур. Энергия, которая свободно доступна в атмосфере, известна как зеленая энергия. Это возобновляемая форма энергии. Энергия может быть использована в различных процессах, например, для выработки электроэнергии, нагрева, сушки и т. д. [6-7].

Система моделирования ANFIS основана на системе нечеткого вывода. Это интеллектуальная нейро-нечеткая техника. Система моделирования ANFIS используется для моделирования, управления неразграниченными и неопределенными системами. Это рассматривается на основе пары входных и выходных данных системного моделирования. Величина набора входных и выходных данных очень важна, когда доступных данных очень мало. Генерация данных является дорогостоящей ситуацией, когда величина набора входных и выходных данных является критической. В таких условиях увеличьте число данных [2-3].

Для моделирования энергоэффективности солнечной сушилки использовались 4 модели ANFIS с различными входными переменными. Этими моделями были модель A1 (in1 и in2 рассматривались как входные переменные); модель A2 (в качестве входных переменных рассматривались in1 и in3); Модель A3 (в качестве входных переменных использовались in2 и in3) и, наконец, модель A4 (в качестве входных переменных рассматривались in3 и in4). Для всех моделей ANFIS 30 процентов наборов данных использовались для тестирования моделей и проверки возможности обобщения модели [4-5].

Результаты показали, что для всех моделей ошибка уменьшалась с увеличением количества эпох. Для модели А3 при увеличении количества эпох от 0 до 400 значение ошибки не претерпело существенных изменений. Для А1, А2, А3 и А4 количество необходимых эпох для минимизации ошибки составило 1500, 200, 800 и 30 соответственно. Для этих эпох ошибка составляла около 0,04.

Результаты показали, что связь между прогнозируемыми и экспериментальными данными была близка к линейной зависимости для всех моделей. Таким образом, диаграммы рассеяния показали, что возможности прогнозирования были удовлетворительными, а точки данных были хорошо сконцентрированы вокруг выбранной идеальной линии с единичным наклоном [8]. Для всех данных линейная корректировка между измеренными и расчетными значениями дает почти наклон, практически равный 1. Таким образом, наблюдалось хорошее соответствие между прогнозируемыми и экспериментальными значениями во всех моделях ANFIS, особенно для A4, которая имела максимальную регрессию по сравнению с другими моделями. Таким образом, эту модель можно использовать для определения энергоэффективности солнечной сушилки с принудительной конвекцией.

Выводы

Настоящее исследование проводится с целью разработки модели ANFIS для прогнозирования и оценки энергоэффективности солнечной сушилки с принудительной конвекцией. Учитывая результаты, полученные в результате данного исследования, можно сделать следующие выводы:

• Коэффициент корреляции между экспериментальными данными и моделями ANFIS (от А1 до А4) составил 0,936, 0,935, 0,936 и 0,986 соответственно.
• По результатам анализа ошибок было установлено, что модель ANFIS является более подходящей конфигурацией для прогнозирования энергоэффективности по сравнению с эмпирической моделью.

Список литературы:

1. Abhijit T., Сафаров Ж.Э., Султанова Ш.А. МОДЕЛИРОВАНИЕ ПРОЦЕССА СУШКИ ПИЩЕВОГО СЫРЬЯ // Universum: технические науки: электрон. научн. журн. 2021. 11(92). URL: https://7universum.com/ru/tech/archive/item/12638.
2. Usmanov K.I. SYNERGISTIC INTELLIGENT CONTROL OF NONLINEAR DYNAMIC OBJECTS // Journal of Advances in Engineering Technology. 2022. №1. URL: https://cyberleninka.ru/article/n/synergistic-intelligent-control-of-nonlinear-dynamic-objects (дата обращения: 14.05.2024).
3. Usmanov, K. I., et al. "Nechetkoye upravleniye nelineynix dinamicheskix obyektov v intellektualnix sistemax." Universum: Texnicheskiye nauki: elektron. nauchn. jurn 4 (2020): 73.
4. Адаптивно нечеткое синергетическое управление многомерных нелинейных динамических объектов // Universum: технические науки: электрон. научн. журн. Усманов К.И. [и др.]. 2020. № 3 (72). URL: https://7universum.com/ru/tech/archive/item/9016.
5. Нечеткое управление нелинейных динамических объектов в интеллектуальных системах // Universum: технические науки: электрон. научн. журн. Усманов К.И. [и др.]. 2020. № 4 (73). URL: https://7universum.com/ru/tech/archive/item/9275.
6. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЕ ПРОЦЕССА СУШКИ // Universum: технические науки: электрон. научн. журн. Мамбетшерипова А.А. [и др.]. 2024. 3(120). URL: https://7universum.com/ru/tech/archive/item/17107.
7. Султанова Ш.А. Моделирование процесса сушки структуры потоков теплоносителей в водонагревательной установке // Universum: технические науки: электрон. научн. журн. 2017. № 11 (44). URL: https://7universum.com/ru/tech/archive/item/5255.
8. Якубова Ноилахон Собирджановна, Усманов Комил Исроилович, Сарболаев Фаррухбек Набиевич, Исломова Фарида Камилджановна НЕЧЕТКОЕ СИНЕРГЕТИЧЕСКОЕ УПРАВЛЕНИЕ МНОГОМЕРНЫХ НЕЛИНЕЙНЫХ ОБЪЕКТОВ С ДИСКРЕТНЫМ ВРЕМЕНЕМ // Universum: технические науки. 2021. №3-1 (84). URL: https://cyberleninka.ru/article/n/nechetkoe-sinergeticheskoe-upravlenie-mnogomernyh-nelineynyh-obektov-s-diskretnym-vremenem.