-‎-

مهندسي مكاينك

گلخانه‌هاي هوشمند به‌عنوان يكي از راهكارهاي نوين در كشاورزي پايدار، با هدف افزايش بهره‌وري توليد، كاهش مصرف منابع و حفظ محيط‌زيست توسعه يافته‌اند. دستيابي به اين اهداف مستلزم شناخت دقيق و مدل‌سازي قابل‌اعتماد ديناميك خرداقليم گلخانه است. اين خرداقليم نتيجه برهم‌كنش پيچيده و غيرخطي متغيرهايي نظير دما، رطوبت نسبي، جريان هوا، تابش و غلظت CO₂ بوده و رفتار آن به‌صورت هم‌زمان در فضا و زمان تغيير مي‌كند. مدل‌سازي چنين سامانه‌اي با استفاده از معادلات حاكم فيزيكي و روش‌هاي عددي سنتي، به دليل عدم قطعيت پارامترها، پيچيدگي محاسباتي بالا و حجم عظيم داده‌ها، كارايي لازم را ندارند. در چنين شرايطي، محققان به سمت الگوريتم‌هاي داده‌محور سوق داده مي‌شوند. يكي از اين الگوريتم‌هاي قدرتمند در زمنه‌ي مكانيك سيالات، تجزيه مودهاي پويا (DMD ) است. در اين پژوهش، يك چارچوب الگوريتم داده‌محور مبتني بر تجزيه مودهاي پويا براي تحليل سري‌هاي زماني خرداقليم گلخانه ارائه مي‌شود؛ كه از طريق اجراي الگوريتم بر روي داده‌هاي سري زماني دما، رطوبت نسبي و غلظت CO2، گرد‌آوري شده از گلخانه مدل‌سازي شده در نرم‌افزار Dymola در مدت يك سال، به بررسي ديناميك خرداقليم گلخانه مي‌پردازد. نتايج نشان مي‌دهند دما داراي نوساناتي كم‌فركانس با تغييرات تدريجي، رطوبت شامل نوسانات سريع‌تر اما پايدارتر و غلظت CO₂ پارامتري بسيار ديناميكي و نوسانات فضا-زمان است. بر اساس تحليل‌هاي DMD، خرداقليم گلخانه داراي چرخه‌هاي روزانه‌ي غالب در غلظت CO₂، دما و رطوبت نسبي با دوره‌اي حدود 24 ساعت هستند. خطاي نسبي برحسب درصد، براي سه متغير دما، رطوبت نسبي و غلظت CO2 در گام زماني 5 دقيقه به ترتيب 15/0، 05/0 و 013/0 درصد و در گام 15 دقيقه به ترتيب برابر 62/1، 86/0 و 27/0 درصد گزارش شدند. حصول مقدار خطاي زير 2 درصد در تمامي حالات مورد بررسي، تاييدي بر كارآمدي الگوريتم DMD در زمينه‌ي سري‌هاي زماني سيستم خرداقليم است.

1404/10/17

Estimation an‎d identification of greenhouse microclimate model using Dynamic Mode Decomposition

10/22/2026 12:00:00 AM

Smart greenhouses have emerged as a modern solution in sustainable agriculture, aiming to increase production efficiency, reduce resource consumption, an‎d mitigate environmental impacts. Achieving these objectives requires an accurate understan‎ding an‎d reliable modeling of greenhouse microclimate dynamics. The microclimate is governed by complex an‎d nonlinear interactions among variables such as temperature, relative humidity, airflow, radiation, an‎d CO₂ concentration, whose behavior evolves simultaneously in space an‎d time. Modeling such systems using physics-based governing equations an‎d conventional numerical methods is often inefficient due to parameter uncertainty, high computational complexity, an‎d the large volume of data involved. Under these circumstances, researchers are increasingly motivated to adopt data-driven algorithms. One of the most powerful data-driven techniques in fluid mechanics is Dynamic Mode Decomposition (DMD). In this study, a data-driven algorithmic framework based on DMD is proposed for the analysis of greenhouse microclimate time-series data. The framework is implemented by applying the DMD algorithm to one year of time-series measurements of temperature, relative humidity, an‎d CO₂ concentration obtained from a greenhouse model simulated in the Dymola software environment, enabling a detailed investigation of microclimate dynamics. The results indicate that temperature exhibits low-frequency oscillations with gradual variations, relative humidity displays faster yet more stable fluctuations, an‎d CO₂ concentration demonstrates highly dynamic behavior with pronounced spatiotemporal variability. DMD analysis reveals the presence of dominant daily cycles with a period of approximately 24 hours in temperature, relative humidity, an‎d CO₂ concentration. The relative reconstruction error remains below 2% for all investigated cases. Specifically, for a 5-minute time step, the errors for temperature, relative humidity, an‎d CO₂ concentration are 0.15%, 0.05%, an‎d 0.013%, respectively, while for a 15-minute time step they are 1.62%, 0.86%, an‎d 0.27%. These results confirm the effectiveness an‎d robustness of the DMD algorithm for analyzing greenhouse microclimate time-series data.

گلخانه هوشنمند , الگوريتم داده محور , تجزيه مودهاي پويا , خرداقليم , سري زماني

Smart Greenhouse , Data-Driven , Dynamic Mode Decomposition , Microclimate , Time Series

Hasti Movasagh Azizi

Mohammad Norouz Nouri