Modares Mechanical Engineering
مهندسی مکانیک مدرس
Modares Mechanical Engineering
Engineering & Technology
http://mme.modares.ac.ir
1
admin
1027-5940
2476-6909
10.22034/mme
fa
jalali
1394
5
1
gregorian
2015
8
1
15
6
online
1
fulltext
fa
مدلسازی و پیش بینی میزان انرژی مصرفی در صنایع غذایی و فرآوری کشور به روش شبکههای عصبی مصنوعی
Modeling and Forecasting of Energy Consumption in Food and Processing Industry using Artificial Neural Networks
در تمامی جوامع و کشورها به منظور برنامهریزی برای تأمین انرژی بخشهای مختلف نیاز به پیشبینی صحیح برای تعیین میزان تقاضا، نوع حاملهای انرژی و چگونگی تأمین آن وجود دارد. با توجه به اهمیت صنایع غذایی در هر کشور، در این پژوهش مدلسازی میزان انرژی مصرفی این بخش از صنعت مورد مطالعه قرار گرفت. در این مقاله مدلسازی انرژی توسط روش شبکههای عصبی مصنوعی انجام پذیرفت. در اولین گام با توجه به آمارنامهها، ترازنامهها و روش پیشنهادی در این مقاله دادههای ورودی مدل محاسبه گشت. دو روش شبکه عصبی چندگانه و شبکه عصبی تکی مورد بررسی قرار گرفت و نتایج نشان داد شبکه عصبی چندگانه دقت بالاتری دارد. برای هرکدام از حامل-های انرژی (گازوئیل، نفت سفید، نفت کوره، گاز طبیعی، برق، بنزین و گاز مایع) با میانگینگیری از 20 بار اجرای برنامه برای هر مشخصه شبکه، بهترین شبکه عصبی انتخاب شد. در انتها با محیط سیمولینک متلب هفت شبکه اجرا شده در قالب مدل نهایی تهیه شد. تحلیل دادهها نشان میدهد روز به روز در این صنعت مصرف گاز طبیعی روبه افزایش است ولی میزان مصرف نفت کوره و گاز مایع رو به کاهش است.
In all societies and countries, in order to plan to provide the required energy for various sectors, it is necessary to accurately predict the demand, type of energy carriers and energy supply method. Considering the importance of food industries in each country, in this study, modeling of required energy for food industries sector was investigated. Modeling of energy consumption was performed using artificial neural networks. In the first step, the input data to the model was calculated according to statistics, balance sheets and input method proposed in this paper. Two methods, namely multiple neural network and single neural network were tested and the results showed that multiple neural network has a higher accuracy. For each of the energy carriers (gasoline, kerosene, fuel oil, natural gas, electricity, gasoline and LPG) the best neural network was selected by taking the average of 20 times per program for each network characteristic. Finally, the network was implemented in the form of final model using Simulink environment of MATLAB 7.0 software. Data analysis showed that daily consumption of natural gas in the industry is increasing, while the consumption of fuel oil and LPG is going to be decreased.
مدلسازی انرژی,انرژی مصرفی,صنایع غذایی و فرآوری,شبکه عصبی
Modeling,energy consumption,food and processing industry,artificial neural networks
16
22
http://mme.modares.ac.ir/browse.php?a_code=A-15-1000-4291&slc_lang=fa&sid=15
Bahram
Hosseinzadeh Samani
بهرام
حسین زاده سامانی
100319475328460052885
100319475328460052885
Yes
دانشگاه شهرکرد
Hamed
Hourijafari
حامد
حوری جعفری
100319475328460056893
100319475328460056893
No
هیات علمی/ مرکز مطالعات بین الملل انرژی