| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,005 |
| تعداد مقالات | 33,631 |
| تعداد مشاهده مقاله | 44,479,834 |
| تعداد دریافت فایل اصل مقاله | 30,138,912 |
بررسی الگوی مصرف انرژی و کاربرد تکنیک عصبی- فازی در مدل‌سازی عملکرد محصولات علوفه‌ای | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 11، دوره 19، شماره 70، شهریور 1397، صفحه 125-138 اصل مقاله (700.24 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2017.114591.1205 | ||
| نویسندگان | ||
| زینب رمدانی* 1؛ رضا عبدی2؛ محمود امید3؛ محمد علی میسمی4 | ||
| 1دانش‌آموخته دکتری مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه تبریز، تبریز، ایران | ||
| 2دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه تبریز، تبریز، ایران | ||
| 3استاد گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه تهران، تهران، ایران | ||
| 4استادیار گروه مهندسی بیوسیستم، دانشکده کشاورزی دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| داشتن اطلاعات یکپارچه در تبادل انرژی محصولات علوفه‌ای برای ایجاد امکان مقایسۀ الگوی مصرف انرژی آنها ضروری است. هدف از این پژوهش، بررسی الگوی مصرف انرژی، تعیین میزان انتشار گاز کربن دی‌اکسید و مدل‌سازی رابطۀ بین عملکرد محصول و انرژی نهاده‌های مصرفی در سه محصول علوفه‌ای است. این سه محصول شامل کاه گندم، ذرت سیلویی و یونجه معمولا در اکثر دامداری‌ها در ترکیب جیرۀ غذایی دام‌ها قرار دارند. میزان کل انرژی نهاده‌های ورودی به مزرعه در کشت گندم، ذرت سیلویی، و یونجه بهترتیب 85/32077، 87/93049 و 04/30208 مگاژول در هکتار تخمین زده شده است. همچنین، میزان کربن دی‌اکسید منتشرشده در کشت این سه محصول بهترتیب برابر 67/2704، 79/5861 و 53/5538 کیلوگرم در هکتار محاسبه شده است. نسبت انرژی در گندم و یونجه 65/2 و 18/2 بهدست آمد در حالیکه در ذرت سیلویی، بهعلت کمتر بودن انرژی خروجی از مزرعه نسبت به انرژی ورودی، این رقم کمتر از یک محاسبه شده است. با استفاده از سامانۀ استنتاج عصبی- فازی رابطۀ بین عملکرد این سه محصول و میزان انرژی نهاده‌های مصرفی مدل‌سازی گردید. برای تخمین عملکرد کاه، مدلی با تابع‌های عضویت 'gaussmf' با سه تابع ورودی بهعنوان بهترین مدل در میان مدل‌های مختلف تعیین گردید. در میان مدل‌های بهدست آمده برای تعیین علمکرد ذرت، بهترین عملکرد در مدلی با دو تابع عضویت 'pimf' دیده شد. همچنین، مدلی با سه تابع عضویت ذوزنقه‌ای 'trapmf' و ضریب تعیین 960/0 بهترین عملکرد را برای مدل‌سازی عملکرد یونجه نشان داده است. | ||
| کلیدواژه‌ها | ||
| الگوی مصرف انرژی؛ سامانۀ استنتاج عصبی- فازی؛ گازهای گلخانه‌ای؛ مدل‌سازی | ||
| عنوان مقاله [English] | ||
| Assessment of Energy Consumption Pattern and using of Nero-Fuzzy Technique in Modeling the of Forage Crops | ||
| نویسندگان [English] | ||
| Zeynab Ramedani1؛ Reza Abdi2؛ Mahmoud Omid3؛ Mohammadali Maysami4 | ||
| 1Department of Biosystem Engineering Faculty of Agricultural University of Tabriz, Tabriz,Iran | ||
| 2Department of Biosystem, Faculty of Agriculture, University of Tabriz | ||
| 3Department of Biosystem, Faculty of Agriculture, University of Tehran | ||
| 4Department of Biosystem, Faculty of Agriculture, University of Tabriz | ||
| چکیده [English] | ||
| It is essential to have integrated information on the energy exchange of forage crops in order to allow comparisons of their energy consumption patterns. Thus the aims of this study are examination of the energy consumption pattern, estimation of the amount of produced CO2eq. and modeling between the yield and energy inputs in three forage crops. These forage crops that are fed to dairy cows were wheat straw, maize silage and alfalfa. The total amount of energy inputs in fields of wheat (and its straw), silage corn and alfalfa were calculated as: 32077.85, 93049.87 and 30208.04 MJ ha-1 respectively. The amount of produced CO2eq. in these three crops were estimated to be 2704.67, 5861.79 and 5538 respectively. The value of energy ratio in two crops of wheat and alfalfa were computed as 2.69 and 2.18 while in the silage crop due to higher amount of output energy rather than input energy was calculated less than one. Also, the adaptive neuro-fuzzy inference system was used for modeling the relation of the yield of these forage crops and the amount of energy inputs. For estimation of the model for wheat straw, the model with three 'gaussmf' memberships function for each input variables was the best among the other models. Also, the best model for maize silage and alfalfa were 'pimf' for tow memberships function and 'trapmf' for three memberships function, respectively. | ||
| کلیدواژه‌ها [English] | ||
| Energy Consumption Pattern, Greenhouse gases, modeling, Adaptive Neuro-Fuzzy Inference System | ||
| مراجع | ||
|
Abdollahpoor, S. and Zarei, S. 2010. Estimation of energy balance in wheat fields in Kermanshah province. J. Sustain. Agric. Product. Sci. 20(1): 97-106. (in Persian)
Anon. 2010. World Development Indicators. The World Bank Group, Washington. Available at http://data.worldbank.org.
Anon. 2011. Energy Smart Food for People and Climate. Food and Agriculture Organization of the United Nations, Rome. Available at: http://www.fao.org.
Banaeian, N. and Zangeneh, M. 2011. Study on energy efficiency in corn production of Iran. Energy. 36(8): 5394-5402.
Beheshtitabar, I., Keyhani, A. and Rafiee, Sh. 2010. Energy balance in Iran’s agronomy (1990-2006). Renew. Sustain. Energy Rev. 14, 849-855.
Dyer, J. A. and Desjardins, R. L. 2003. Simulated farm fieldwork, energy consumption and related greenhouse gas emissions in Canada. Biosyst. Eng. 85(4): 503-513.
Dyer, J. A. and Desjardins, R. L. 2006. Carbon dioxide emissions associated with the manufacturing of tractors and farm machinery in Canada. Biosyst. Eng. 93(1): 107-118.
Heidari, M. D. Measuring efficiency and finding economical indices of poultry units in the province of Yazd by Data Envelopment Analysis and Artificial Neural Networks. M. Sc. Thesis. Faculty of Agricultural Engineering and Technology, University of Tehran. Tehran, Iran. (in Persian)
Houshyar, E., Azadi, H., Almassi, M., Sheikh-Davoodi, M. J. and Witrox, F. 2012. Sustainable and efficient energy consumption of corn production in Southwest Iran: Combination of multi-fuzzy and DEA modeling. Energy. 44(1): 672-681.
Kazemi, H., Kamkar, B., Lakzaei, S., adsar, M. and Shahbyki, M. 2015. Energy flow analysis for rice production in different geographical regions of Iran. Energy. 84, 390-396.
Khodi, M, and Mousavi, S. M. J. 2009. Life cycle assessment of power generation technology using GHG emissions reduction approach. Proceeding of the 7th National Energy Conference. Oct. 19-20. Tehran. Iran. (in Persian)
Kisi, O. and Shiri. J. 2013. Prediction of long-term monthly air temperature using geographical inputs. Int. J. Climatol. 34, 179-186.
Kitani, O. 1999. CIGR handbook of agricultural engineering. Vol. 5: Energy and biomass engineering. ASAE Pub. St Joseph, MI.
Lal, R. 2004. Carbon emission from farm operations. Environ. Int. 30(7): 981-90.
Maysami, M. A. 2013. Energy efficiency in dairy cattle farming and related feed production in Iran. Ph. D. Thesis. Faculty of Agriculture and Horticulture, Humboldt-University of Berlin.
Mobtaker, H. G., Akram, A. and Keyhani, A. 2010a. Investigation of energy consumption of perennial Alfalfa production; Case study of Hamedan province. J. Food Agric. Environ. 8, 379-381.
Mobtaker, H. G., Keyhani, A, Mohammadi, A., Rafiee, S., and Akram, A. 2010b. Sensitivity analysis of energy inputs for barley production in Hamedan province of Iran. Agric. Ecosyst. Environ. 137(3-4):
Naderloo, L., Alimardani, R., Omid, M., Sarmadian, F., Javadikia, P., Torabi, M. Y. and Alimardani, F. 2012. Application of ANFIS to predict crop yield based on different energy inputs. Measurement. 45, 1406-1413.
Ortiz-Canavate, J. and Hernanz, J. L. 1999. Energy for Biological Systems. In: Kitani, O. (Ed.) CIGR Handbook of Agricultural Engineering. Vol. 5. ASAE.
Ozkan, B., Akcaoz, H. and Fert, C. 2004. Energy input-output analysis in Turkish agriculture. Renew. Energy. 29, 39-51.
Pahlavan, R., Omid, M. and Akram, A. 2011. Energy use efficiency in greenhouse tomato production in Iran. Energy. 36 (12): 6714-6719.
Pahlavan, R., Omid, M. and Akram, A. 2012. Energy input-output analysis and application of artificial neural networks for predicting greenhouse basil production. Energy. 37, 171-176.
Pishgar-Komleh, S. H., Keyhani, A., Rafiee, S. and Sefeedpari, P. 2011. Energy use and economic analysis of corn silage production under three cultivated area levels in Tehran province of Iran. Energy. 36, 3335-3341.
Pour-Ali-Baba, A., Shiri, J., Kisi, O., Fakheri Fard, A., Kim S. and Amini, R. 2013. Estimating daily reference evapotranspiration using available and estimated climatic data by Adaptive Neuro-Fuzzy Inference System (ANFIS) and Artificial Neural Network (ANN). Hydrol. Res. 44, 131-146.
Rafiee, S., Mousavi-Avval, S. H. and Mohammadi, A. 2010. Modeling and sensitivity analysis of energy inputs for apple production in Iran. Energy. 35, 3301-3306.
Ramedani, Z., Rafiee, S. and Heidari, M. D. 2011. An investigation on energy consumption and sensitivity analysis of soybean production farms. Energy. 36, 6340-6344.
Ramedani, Z., Omid, M., Keyhani, A., Khoshnevisan, B. and Saboohi, H. 2014. A comparative study between fuzzy linear regression and support vector regression for global solar radiation prediction in Iran. Solar Energy. 109(3): 135-143.
Safa, M., Samarasinghe, S. and Mohssen, M. 2011. A field study of energy consumption in wheat production in Canterbury, New Zealand. Energy Conver. Manage. 52, 2526-2532.
Sefeedpari, P., Rafiee, S. and Akram, A. 2013. Application of artificial neural network to model the energy output of dairy farms in Iran. Int. J. Energy Technol. Policy. 9(1): 82-91.
Singh, S., Singh, S., Pannu, C. J. S. and Singh, J. 1999. Energy input and yield relations for wheat in different agro-climatic zones of the Punjab. Appl. Energy. 63, 287-298.
Soltani, A., Rahabi, M. H., Zeinali, E. and Soltani, E. 2013. Energy inputs and greenhouse gases emissions in wheat production in Gorgan, Iran. Energy. 50, 54-61.
Ziaei, S. M., Mazlumzadeh, S. M. and Jabbary, M. 2015. A comparison of energy use and productivity of wheat and barley (case study). J. Saudi Agric. Sci. 14(1): 19-25. | ||
|
آمار تعداد مشاهده مقاله: 673 تعداد دریافت فایل اصل مقاله: 431 |
||