基于1D CNN-GRU的日光温室温度预测模型研究

准确预测日光温室温度是实现温室高效调控的关键,对作物生长发育具有重要意义,但因温度具有时序性、非线性及多耦合性等特征,难以实现连续、精准、长时化预测。提出了一种基于1D CNN-GRU(One dimensional convolutional neural networks-gated recurrent unit)的日光温室温度预测模型,通过温室内外监测平台获取内外环境因子,以斯皮尔曼相关系数获取相关性强特征,构造特征与时间步长的二维矩阵输入网络进行温度预测,模型在测试集上预测1～4 h后的决定系数为0.970～0.994,均方根误差为0.612～1.358℃,平均绝对误差为0.428～0.854℃,绝对值的最大绝对误差为0.856～1.959℃。并在不同清晰度指数K_T下进行验证,结果表明,模型在K_T≥0.5(晴)时预测效果最好,且在其他K_T下模型相对误差在10%以内,可以达到温室生产所需的预测精度要求,为日光温室精准高效控温提供了重要依据。     

基于CFD的茶叶理条部件试验与优化#br# #br#

针对茶叶理条机锅槽温度均匀性差的问题,采用计算流体力学(CFD)建立理条部件的温度场仿真模型。运用PT100温度传感器测量理条部件作业时中间平面的温度并与仿真结果进行对比,实测温度与相对应的仿真温度最大相对误差为12.1 ℃,平均相对误差为9.5 ℃,最大绝对误差为5.9%,平均绝对误差为4.67%,说明采用该模型对理条部件的温度场进行模拟是可行的。运用该模型对理条部件进行优化设计,结果表明：当采用环形电阻丝按照125 mm、105 mm、85 mm、65 mm的间距梯度布置时,理条部件中间平面的温度均匀性系数从0.847增加到0.935,温度均匀性增加了104%,为进一步提高理条部件的温度均匀性提供了思路。     

单栋塑料温室内温度场CFD三维稳态模拟

为分析单栋塑料温室内的温度场分布情况,建立了包括温室内外空间、室内作物和土壤层等的温室环境几何模型,在分析太阳辐射及各部分热交换的基础上,对单栋塑料温室内的温度场进行了3-D稳态模拟.热辐射传递过程采用蒙特卡罗法模拟,将室内作物简化为连续固体换热模型并采用剪应力输运模型表述空气紊流.结果显示:模型预测值均高于实测值,绝对误差均小于2.2℃,平均相对误差为6.7％.气流对温室内温度和均匀性影响较大,温室进风口侧的温度低于出风口侧.作物简化为连续固体的假设用于室内空气部分的温度预测具有一定的可行性,但预测值会高一些.     

水稻各生育期需水量预测的综合模型

根据灰色系统理论的灰色模型（Grey Model)与时间序列方法ARMA模型，提出了水稻各生育期平均日需水量预测的时间序列综合模型。根据看出的模型，利用沈阳农业大学15年的水稻需水量试验资料，分别建立了沈阳地区水稻各生育期平均日需水量向前l步的预测模型，并提出了水稻全生育期需水量的向前l步的预测模型，这是水稻需水量预测的最新理论与方法。该方法建模简单，所需资料较少，并具有较高的精度。     

基于混沌时间序列局域模型对农机总动力的预测

农业机械总动力是评价一个国家农业现代化程度的重要指标.本文采用混沌时间序列的一阶局域模型对新疆农业机械总动力进行了预测.误差分析表明,该一阶局域预测模型拟合值的平均绝对误差为0.64％,低于灰色理论GM(1,1)模型的0.90％,得到了较好的预测效果.     

基于微信平台的温室环境监测与温度预测系统

温室数据采集系统多采用数据采集端通过上位机管理数据或上传至数据服务器的方式进行温室环境监测和管理,该方式网络结构相对复杂,功耗较大。为解决上述问题,本文采用物联网、云服务、微信平台结合的方式,设计开发了基于微信平台的温室环境监测与温度预测系统。系统采用数据采集端直接通过WiFi/GPRS联接互联网访问云服务器的方式进行数据交互,手机移动端通过微信公众号访问云服务器获取数据服务。温度预测模型采用差分时间序列模型,解决温度预测过程中季节周期性的影响。通过对系统数据分析证明：系统有效实现了数据采集端的轻量化与可移动性,不仅能够对数据进行有效管理,且温度监测相对误差低于4.96%,温度预测相对误差低于3%,预测结果具有较高的精度,能够满足日常生产的需要。     

水稻各生育期需水量预测的综合模型

根据灰色系统理论的灰色模型 (Grey Model)与时间序列方法 ARMA模型 ,提出了水稻各生育期平均日需水量预测的时间序列综合模型。根据提出的模型 ,利用沈阳农业大学 1 5年的水稻需水量试验资料 ,分别建立了沈阳地区水稻各生育期平均日需水量向前 l步的预测模型 ,并提出了水稻全生育期需水量的向前 l步的预测模型 ,这是水稻需水量预测的最新理论与方法。该方法建模简单 ,所需资料较少 ,并具有较高的精度     

光伏玻璃温室自然通风条件下的CFD模拟验证

基于计算机流体力学(CFD)数值方法,以光伏连栋玻璃温室为研究对象,在自然通风的条件下对室内温度场进行模拟验证。采用离散坐标(DO)辐射模型对光伏温室室内温度场的时空分布和变化规律进行了三维CFD模拟和试验验证。结果表明,光伏温室室内温度试验结果和模拟结果绝对误差均值为0.96℃,相对误差均值为2.94%。模拟结果和试验结果吻合,验证了模型的可行性。     

基于残差修正的混凝土坝位移双层阶预测模型

传统的混凝土坝位移监测模型往往忽略残差序列中的有效信息,导致对大坝位移的预测效果不佳。旨在提高预测模型的精度。针对这一问题,提出一种考虑信号残差修正的混凝土坝位移双层阶预测模型。首先根据传统混凝土坝位移预测的统计模型选取大坝位移的影响因子;其次通过麻雀搜索算法（SSA）确定极限学习机（ELM）中的超参数,建立单层阶预测模型SSA-ELM,进而得到大坝的单层阶模型位移预测值;再次,基于最小样本熵（SE）和相关分析法,通过变分模态分解法（VMD）对残差序列分解重构;最后利用SSA-ELM对重构后序列进行修正,并将修正值与单层阶模型位移预测值进行叠加,构建双层阶预测模型SSA-ELM-VMDρ+,进而得到最终的位移预测值。工程实例验证表明,与其他模型相比,该双层阶模型预测精度高,泛化能力强,有效的挖掘了残差中的有效信息,并克服了噪声干扰。本研究为大坝安全监控、健康服役诊断与管理运行提供了新的参考。     

融合ARIMA模型和GAWNN的溶解氧含量预测方法

针对河流污染治理、水源管理,提出了融合差分自回归滑动平均ARIMA模型和遗传算法优化的小波神经网络相结合的河流水质预测方法。将采集的河流水质参数时间序列数据,分解为线性和非线性序列,线性数据使用ARIMA模型预测,使用最小二乘法完成了ARIMA模型参数估计。对于经过ARIMA模型处理的非线性残差数据、预测值与原始溶解氧序列之间的线性和非线性关系,采用小波神经网络（WNN）获得预测值,并采用遗传算法的选择、交叉、变异等操作优化网络参数,比传统WNN模型预测精度显著提高。ARIMA模型、小波神经网络、遗传算法优化小波神经网络（GAWNN）和未经遗传算法优化的组合模型预测平均绝对误差分别为0.29%、0.39%、0.26%、0.24%,提出的组合模型预测结果平均绝对误差约0.19%且为最小。结果表明,该组合模型优于单个模型和传统组合模型的预测结果。