Методика построения имитационной модели оптимального управления параметрами микроклимата сельскохозяйственного объекта
DOI:
https://doi.org/10.28983/asj.y2025i1pp126-135Ключевые слова:
имитационная модель, микроклимат, температурно-влажностный режим, методика, построение, управление параметрами, теплицаАннотация
В статье разрабатываются методики построения имитационной модели оптимального управления параметрами микроклимата теплицы, как объекта агроэкологического моделирования. Данная имитационная модель в первую очередь решает задачу управления температурно-влажностным режимом через задачу минимизации функционала качества одномерного уравнения теплопроводности материалов. Применение моделей, принимающих решения на базе нейронечеткой логики и имитирующих энергосберегающий режим выращивания овощей в теплицах в климатических условиях НПР с целью вывести оптимальный алгоритм управления параметрами микроклимата относительно роста продукции, позволит отказаться от поиска такого алгоритма с помощью математических методов. Подобная имитационная модель должна включать в себя как постоянно обновляющиеся базы знаний, получающие информацию от измерительных устройств внутри теплицы, так и биологические базы знаний, включающие в себя всю информацию о выращиваемой в теплице культуре. Задача является прикладной, поскольку в настоящее время остро стоит недостаток имитационных моделей, позволяющих точно имитировать температурно-влажностный режим тепличного комплекса.
Скачивания
Библиографические ссылки
Афифи А., Эйзен С. Статистический анализ: подход с использованием ЭВМ. М.: Мир, 1982. 488 с.
Беляев И. С. Развитие государственного регулирования и поддержки предпринимательства в строительстве в Арктической зоне Российской Федерации: дисс. … канд. эк. наук. – СПб, 2021. 175 с.
Беляев И. С. Рост кадрового потенциала, как фактор повышения эффективности деятельности строительных организаций АЗРФ // Государство. Бизнес. Общество. Цифровая среда: траектория взаимодействия от теории к практике: сборник научных статей по итогам международной научно-практической конференции., Санкт-Петербург, 29-30 апреля 2021 г. – СПб.: Санкт-Петербургский государственный экономический университет. 2021. С. 8–10.
Введение в математическое моделирование: учеб пособие / под ред. П. В. Трусова. М.: Университетская книга, Логос. 2007. 440 с.
Виноградов О. П. О Теореме Чебышёва и законе больших чисел Бернулли // Вестник Московского университета. Серия 1. Математика. Механика. 2021. № 3. 46–50.
Дубров А. М. Обработка статистических данных методом главных компонент. М.: Статистика, 1978. 135 с.
Дубровский С.А. Прикладной многомерный статистический анализ. М.: Финансы и статистика, 1982. 216 с.
Дюран Б. Оделл П. Кластерный анализ. М.: Статистика, 1977. 127 с.
Иберла К. Факторный анализ. М.: Статистика, 1980. 398 с.
Иванов С. И., Самарин Г. Н., Ружьев В. А. Новое техническое решение для обеспечения оптимальной относительной влажности на ферме // Известия Санкт-Петербургского государственного аграрного университета. 2013. № 31. С. 229–232.
Инновационные достижения агроинженерных научных учреждений в условиях развития цифровых систем в сельском хозяйстве / Я. П. Лобачевский [и др.] // Техника и оборудование для села. 2024. № 5. С. 2–8.
Керимов М. А., Валге А. М. Оптимизация и принятие решений в агроинженерии. Москва: Общество с ограниченной ответственностью «Издательско-книготорговый центр Колос-с». 2021. 460 с.
Керимов М. А. Управление техническими системами: учеб. пособие. СПб.: Санкт-Петербургский государственный аграрный университет, 2011. 104 с.
Кильдешев Г. К., Аболенцев Ю. И. Многомерные группировки. М.: Статистика, 1978. 160 с.
Лапшин И. П., Петров А. М. Система воздушного отопления животноводческого помещения на базе воздушной теплонасосной установки // Вестник Государственного аграрного университета Северного Зауралья. 2013. № 4(23). С. 69–74.
Лобачевский Я. П., Дорохов А. С. Цифровые технологии и роботизированные технические средства для сельского хозяйства // Сельскохозяйственные машины и технологии. 2021. Т. 15. № 4. С. 6–10. DOI: 10.22314/2073-7599-2021-15-4-6-10.
Макаров Л. М. Формализм процедуры Коллатца 3N+ 1 // International Scientific Review. 2016. № 3(13). С. 11–13.
Петров А. М., Попов А. Н. Разработка метода математического моделирования термодинамических процессов однофазных потоков наружных сетей теплоснабжения // Строительство и техногенная безопасность. 2022. № 26(78). С. 59–63.
Разработка автоматической системы ультразвукового отпугивания норок на рыбохозяйственном предприятии с применением технологии компьютерного зрения / Е. А. Басуматорова [и др.] // Известия Оренбургского государственного аграрного университета. 2020. № 6(86). С. 140–144.
Разработка аналитических подходов к вопросам повышения бизнес-эффективности корпоративных и производственных процессов / Л. Н. Бодрякова [и др.] // Дизайн и технологии. 2022. № 91–92(133–134). С. 68–75.
Разработка структуры базы данных информационной системы аавтоматизации подготовительно-раскройного этапа скорняжного производства / Е. А. Кирсанова [и др.] // Дизайн и технологии. 2022. № 90(132). С. 25–33.
Рао С. Линейные статистические методы. М.: Наука, 1988. 547 с.
Ружьев В. А. Компьютерное моделирование при проектировании сельскохозяйственных машин // Известия Санкт-Петербургского государственного аграрного университета. 2012. № 26. С. 353–357.
Совершенствование архитектуры интеллектуальных систем управления / А. М. Петров [и др.]. Автоматизация и информатизация ТЭК. 2023. № 4(597). С. 15–22. – DOI 10.33285/2782-604X-2023-4(597)-15-22.
Харман Г. Современный факторный анализ. М.: Статистика, 1972. 485 с.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Аграрный научный журнал
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
