DOI: https://doi.org/10.1038/s41598-024-84141-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39799230
تاريخ النشر: 2025-01-11
المؤلف: Muhammad Jawad وآخرون
الموضوع الرئيسي: تكنولوجيا البيوت الزجاجية والتحكم في المناخ
نظرة عامة
تتناول هذه الدراسة الحاجة الملحة لممارسات الزراعة المستدامة في سياق الطلب العالمي المتزايد وتغير المناخ. تركز الدراسة على تطوير نموذج دفيئة موفر للطاقة يقوم بتحسين المعايير البيئية—درجة الحرارة، الرطوبة، مستويات ثاني أكسيد الكربون، وضوء الشمس—باستخدام خوارزمية تحسين مستعمرة النحل الاصطناعية (ABC). من خلال استخدام وحدة تحكم ضبابية لإدارة أنظمة الدفيئة المختلفة، يهدف النموذج إلى تعزيز راحة النباتات مع تقليل استهلاك الطاقة. تشير النتائج إلى أن خوارزمية ABC تتفوق على تقنيات التحسين الأخرى، مثل الخوارزمية الجينية (GA)، وخوارزمية اليراعة (FA)، وتحسين مستعمرة النمل (ACO)، من حيث كفاءة الطاقة وراحة النباتات، محققة تخفيضات كبيرة في استهلاك الطاقة عبر جميع المعايير المراقبة.
تؤكد الخاتمة على إمكانية خوارزمية ABC لضبط الظروف البيئية ديناميكيًا داخل البيوت الذكية، مما يزيد من إنتاجية النباتات وكفاءة الطاقة. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الطبيعة الثابتة للمعايير المفضلة للنباتات واستبعاد عوامل حاسمة مثل درجة حموضة التربة، مستويات الرطوبة، وإدارة المغذيات. ستستكشف الأبحاث المستقبلية متغيرات متقدمة من خوارزمية ABC وتدمج هذه العوامل الإضافية لتعزيز قابلية تطبيق النموذج في بيئات الدفيئة الأكثر تعقيدًا وديناميكية. تمهد هذه العمل الطريق لتطوير عمليات دفيئة مستدامة تحقق توازنًا فعالًا بين استهلاك الطاقة وإنتاجية الزراعة.
طرق
في هذا القسم، يحدد المنهج المعماري الجديد لتحسين الظروف البيئية للدفيئة باستخدام مُحسّن مستعمرة النحل الاصطناعية (ABC). يقوم النظام بإدخال الظروف المفضلة للنبات—درجة الحرارة، الرطوبة، مستويات ثاني أكسيد الكربون، وضوء الشمس—بالإضافة إلى المعايير البيئية الحالية. يهدف مُحسّن ABC إلى تعظيم هذه العوامل البيئية لتعزيز راحة النباتات. بعد ذلك، تقوم وحدات التحكم الضبابية لدرجة الحرارة، وثاني أكسيد الكربون، والرطوبة، وضوء الشمس بحساب الفروقات بين القيم المحسّنة والمعايير البيئية الفعلية، مما يحدد الطاقة اللازمة لمختلف المحركات، بما في ذلك المبردات، والسخانات، ومولدات ثاني أكسيد الكربون.
ثم يقوم المنسق بتقييم توفر الطاقة من المصادر ويخصصها للمحركات بناءً على مخرجات وحدات التحكم الضبابية. تركز عملية التحسين على تقليل الفروقات في الأخطاء بين القيم المقاسة والمحسّنة للمعايير البيئية. من خلال تنفيذ تحسين ABC بشكل فعال، يظهر المنهج تقليلاً في هذه الفروقات في الأخطاء، مما يؤدي بدوره إلى تحسين كفاءة الطاقة وتقليل استهلاك الطاقة في عمليات الدفيئة.
نتائج
في هذا القسم، يوضح المؤلفون الأجهزة والبرامج المستخدمة في بحثهم، تحديدًا معالج Intel® Core™ M-5Y10c الذي يعمل بتردد 1.8 جيجاهرتز، مع 4 جيجابايت من الذاكرة العشوائية ونظام تشغيل 64 بت. تم إجراء النمذجة والتنفيذ باستخدام MATLAB R2021a، الذي سهل برمجة كل من النماذج المقترحة والمقارنة.
تشير النتائج إلى أن الخوارزمية المقترحة تحافظ على سلوك ثابت عندما تكون قيم المعلمات ضمن نطاق محدد، بينما تقوم خوارزمية مستعمرة النحل الاصطناعية (ABC) بتحسين المعلمات التي تتجاوز الحدود المحددة مسبقًا. بالإضافة إلى ذلك، تسلط الدراسة الضوء على هدف كبير من تحسين ABC: تقليل استهلاك الطاقة، الذي يتم تحقيقه من خلال تقليل الفروقات في الأخطاء في أداء النموذج.
مناقشة
يناقش القسم خوارزمية تحسين مستعمرة النحل الاصطناعية (ABC)، وهي تقنية مستوحاة من الطبيعة تعتمد على سلوك البحث عن الطعام للنحل، والتي أثبتت فعاليتها في حل مشاكل التحسين العددي. تم تقديمها من قبل كارابوغا في عام 2005، وتبرز ABC لبساطتها وموثوقيتها وقابليتها للتوسع، مما يجعلها مفضلة على طرق التحسين الأخرى مثل الخوارزميات التطورية، بحث التناغم، تحسين مستعمرة النمل، وتحسين سرب الجسيمات. تعمل الخوارزمية من خلال سلسلة من الخطوات التي تشمل تهيئة مصادر الغذاء، واستكشافها بواسطة النحل العامل، والاختيار من قبل النحل المراقب، والبحث عن مصادر غذاء جديدة بواسطة النحل الكشفي، بهدف تعظيم الدالة الهدف المتعلقة براحة النباتات.
كما تؤكد المناقشة على دمج وحدات التحكم الضبابية ضمن إطار عمل ABC لإدارة المعايير البيئية في البيوت الذكية، مثل درجة الحرارة، وضوء الشمس، والرطوبة، وتركيز ثاني أكسيد الكربون. تستخدم كل وحدة تحكم ضبابية الفروقات في الأخطاء بين الظروف البيئية المحسّنة والفعلية لتحديد الطاقة المطلوبة للمحركات. تشير النتائج إلى أن خوارزمية ABC تتفوق على طرق التحسين الأخرى (مثل ACO، FA، GA) من حيث كفاءة الطاقة وسرعة التقارب، محققة استهلاك طاقة أقل مع الحفاظ على ظروف مثالية لنمو النباتات. يتم قياس هذه الفعالية من خلال مجموعة متنوعة من مقاييس الأداء، مما يظهر قدرة خوارزمية ABC على تحقيق توازن فعال بين استخدام الطاقة وراحة النباتات.
DOI: https://doi.org/10.1038/s41598-024-84141-5
PMID: https://pubmed.ncbi.nlm.nih.gov/39799230
Publication Date: 2025-01-11
Author(s): Muhammad Jawad et al.
Primary Topic: Greenhouse Technology and Climate Control
Overview
This research addresses the critical need for sustainable agricultural practices in the context of increasing global demand and climate change. The study focuses on developing an energy-efficient greenhouse model that optimizes environmental parameters—temperature, humidity, CO₂ levels, and sunlight—using the Artificial Bee Colony (ABC) optimization algorithm. By employing a fuzzy controller to manage various greenhouse systems, the model aims to enhance plant comfort while minimizing energy consumption. The results indicate that the ABC algorithm outperforms other optimization techniques, such as Genetic Algorithm (GA), Firefly Algorithm (FA), and Ant Colony Optimization (ACO), in terms of energy efficiency and plant comfort, achieving significant reductions in energy usage across all monitored parameters.
The conclusion emphasizes the potential of the ABC algorithm to dynamically adjust environmental conditions within smart greenhouses, thereby maximizing plant productivity and energy efficiency. However, the study acknowledges limitations, including the static nature of plant preferred parameters and the exclusion of critical factors such as soil pH, moisture levels, and nutrient management. Future research will explore advanced variants of the ABC algorithm and incorporate these additional factors to enhance the model’s applicability in more complex and dynamic greenhouse environments. This work lays the groundwork for developing sustainable greenhouse operations that effectively balance energy consumption and agricultural productivity.
Methods
In this section, the methodology outlines a novel architecture for optimizing greenhouse environmental conditions using an Artificial Bee Colony (ABC) optimizer. The system inputs the plant’s preferred conditions—temperature, humidity, CO₂ levels, and sunlight—alongside the current environmental parameters. The ABC optimizer aims to maximize these environmental factors to enhance plant comfort. Subsequently, fuzzy controllers for temperature, CO₂, humidity, and sunlight compute the discrepancies between the optimized values and the actual environmental parameters, determining the necessary power for various actuators, including chillers, heaters, and CO₂ generators.
The coordinator then assesses the availability of power from the sources and allocates it to the actuators based on the fuzzy controllers’ outputs. The optimization process focuses on minimizing error differences between the measured and optimized values of the environmental parameters. By effectively implementing the ABC optimization, the methodology demonstrates a reduction in these error differences, which in turn leads to improved energy efficiency and reduced energy consumption in greenhouse operations.
Results
In this section, the authors detail the hardware and software utilized for their research, specifically an Intel® Core™ M-5Y10c CPU operating at 1.8 GHz, with 4 GB of RAM and a 64-bit operating system. The modeling and implementation were conducted using MATLAB R2021a, which facilitated the coding of both the proposed and comparative models.
The results indicate that the proposed algorithm maintains consistent behavior when parameter values are within a specified range, while the Artificial Bee Colony (ABC) algorithm effectively optimizes parameters exceeding predetermined boundaries. Additionally, the study highlights a significant objective of the ABC optimization: reducing power consumption, which is achieved through minimizing error differences in the model’s performance.
Discussion
The section discusses the Artificial Bee Colony (ABC) optimization algorithm, a nature-inspired technique based on the foraging behavior of bees, which has been shown to be effective for solving numerical optimization problems. Introduced by Karaboga in 2005, ABC is highlighted for its simplicity, reliability, and scalability, making it preferable to other optimization methods such as evolutionary algorithms, harmony search, ant colony optimization, and particle swarm optimization. The algorithm operates through a series of steps involving the initialization of food sources, exploration by employed bees, selection by onlooker bees, and the search for new food sources by scout bees, ultimately aiming to maximize the objective function related to plant comfort.
The discussion also emphasizes the integration of fuzzy controllers within the ABC framework to manage environmental parameters in smart greenhouses, such as temperature, sunlight, humidity, and carbon dioxide concentration. Each fuzzy controller utilizes error differences between optimized and actual environmental conditions to determine the power required for actuators. The results indicate that the ABC algorithm outperforms other optimization methods (e.g., ACO, FA, GA) in terms of energy efficiency and convergence speed, achieving lower power consumption while maintaining optimal conditions for plant growth. This effectiveness is quantified through various performance metrics, demonstrating the ABC algorithm’s capability to balance energy use and plant comfort effectively.