صبور شجاع پور - دانشجوی کارشناسی ارشد گروه مهندسی مکانیک بیوسیستم دانشگاه علوم کشاورزی و منابع طبیعی ساری
علی متولی - گروه مهندسی مکانیک بیوسیستم دانشگاه علوم کشاورزی منابع طبیعی ساری
سیدهاشم صمدی ریکنده - گروه مهندسی مکانیک بیوسیستم دانشگاه تربیت مدرس
آزاده رنجبر ندامانی - گروه مهندسی مکانیک بیوسیستم دانشگاه علوم کشاورزی ومنابع طبیعی ساری
پوریا بی پروا - گروه علوم پایه، دانشگاه علوم کشاورزی و منابع طبیعی ساری

استفاده گسترده از انرژی در فعالیت های کشاورزی، صنعتی و خانگی، به ویژه در کشورهای در حال توسعه، منجر به افزایش قابل توجه تقاضا برای انرژی شده است. تامین این حجم از انرژی از سوخت های فسیلی می تواند به تولید گازهای گلخانه ای افزایش قیمت سوخت منجر شده و به همین دلیل، استفاده موثرتر از منابع انرژی تجدیدپذیر می تواد در رفع این چالش ها موثر باشد در این مطالعه با استفاده از شبکه عصبی مصنوعی، داده های توان خروجی ثبت شده در یک گلخانه مدلسازی شد. مدلسازی ها با استفاده از روش های یادگیری ماشینی از جمله شبکه عصبی تاخیر زمانی، شبکه عصبی پرسپترون چندلایه و شبکه عصبی خود رگرسیون غیر خطی با شرایط و فعالسازی لگاریتمی، تعداد نورون ۶۰ و تکرار ۱۰۰ بار اجرا شده است. نتایج وعملکرد مدل های پیشنهادی ارزیابی شد.نتایج نشان داد که مدل های پیش بینی برای پارامتر توان سامانه خارج از گلخانه نتایج بهتری نسبت به سامانه در محیط گلخانه داشتند. همچنین نتایج نشان داد که روش مدلسازی شبکه عصبی پرسپترون چندلایه با مقدار میانگین ضریب تعیین کل مدلسازی نزدیک به صفر R۲-۰/۲ برای پارامتر مورد مطالعه مناسب نبو ده و روش های تاخیر زمانی و خود رگرسیون غیر خطی در مدلسازی سامانه فتوولتائیک - حرارتی به عملکرد مطلوبی دست یافتند. R۲=۰/۹ و به عنوان روش های پیشنهادی برای استفاده در این مدلسازی توصیه شدند.

هوش مصنوعی، انرژی ،گلخانه، تجدیدپذیر، شبکه عصبی، پیش بینی