AI Summary & Key Takeaways
AI InsightIn conclusion, this study focused on the successful estimate of green house heater need by using the model ofartificial neural nets
📌 3 Key Takeaways
Abstract
In this study by taking into account the latitude, longitude, height, months and mean temperature data of the city anddistricts of Mersin, the heating need for unit base and surface zone is determined. In the model of artificial neural nets the heatingneed for the green house which is longitude, latitude, height and means temperature data is used as entry layer and the need forheater need is used as exit layer. Of the data belonging to Mersin Province and 7 districts; 6 district education data, MersinCentrum and Tarsus district are used as test data in artificial neural net model. The data has been tested by using LevenbergMarquardt algoritm and an estimate (R2) of value from an average of %99 has been found. The average of quadric error squareroot value is 0.0498 in average and is 0.0018 for education data. The mean absolute error for test data is 0.0478 and 0.0014 foreducation data. In conclusion, this study focused on the successful estimate of green house heater need by using the model ofartificial neural nets
Özet
Bu çalışmada, Mersin il ve ilçelerine ait seralar için enlem, boylam, yükseklik, aylar, ortalama sıcaklık verileri dikkate alınarak birim yüzey ve taban alanları için ısıtma gereksinimleri yapay sinir ağları (YSA) modeli kullanılarak belirlenmiştir. Yapay sinir ağları modelinde seralarda ısıtma ihtiyacı; enlem, boylam, yükseklik, aylar ve ortalama sıcaklık giriş katmanı olarak ve ısıtma ihtiyacı çıkış katmanı olarak kullanılmıştır. Mersin ili ve 7 ilçeye ait olan verilerden 6 ilçe eğitim verisi, Mersin merkez ve Tarsus ilçesi test verisi olarak yapay sinir ağları modelinde kullanılmıştır. Farklı ağ yapılarında Levenberg-Marquardt (LM) eğitim algoritması kullanılarak test ettirilen verilerden ortalama %99’un üzerinde tahmin (R2) değeri elde edilmiştir. Karesel hataların ortalama karakökü (RMSE) değeri test verileri için ortalama 0.0498 eğitim verileri için 0.0018 olarak bulunmuştur. Test verileri için ortalama mutlak hata (MAE) 0.0478, eğitim verileri için 0.0014 olarak bulunmuştur. Sonuç olarak; bu çalışmada yapay sinir ağları modeli kullanılarak seraların ısıtma ihtiyacının başarılı bir şekilde tahmin edilmesi sağlanmıştır.