کاظم جعفری نعیمی

به منظور بررسی وضعیت کاربرد تراکتور در استان کرمان، آمار و اطلاعات لازم شامل سطح زیر کشت، تعداد و توان انواع ماشین آلات مورد استفاده در کشاورزی منطقه، هزینه ها و درآمدهای استفاده از تراکتور، ساعات کارکرد به تفکیک انواع مختلف فعالیت های زراعی، با مراجعه به آمار نامه ها و مصاحبه با بهره برداران جمع آوری شده است. این آمار در محاسبه شاخص اسب بخار در هکتار، سطح مکانیزاسیون، نرخ بازده داخلی و ارزش خالص حال سرمایه گذاری در خرید و به کار گیری دو نوع عمده تراکتور مسی فرگوسن و رومانی (یونیور سال) در سال 1379 مورد استفاده قرار گرفته است. نتایج به دست آمده نشان می دهد که در منطقه مورد مطالعه نرخ بازده سرمایه گذاری در تراکتور برای تراکتورهای مسی فرگوسن و رومانی به ترتیب معادل 27 و 84 درصد است. نتایج بررسی هزینه های بهره برداری از ماشین آلات نیز مبین آن است که هزینه لوازم یدکی، تعمیرات و نیز سوخت و روغن و گریس در تراکتورهای مسی فرگوسن و رومانی به ترتیب 108 و 94 و حدود 13 درصد بیشتر از هزینه های استاندارد کاربرد این دو نوع تراکتور است. سایر نتایج به دست آمده نیز نشان می دهد که سطح مکانیزاسیون و اسب بخار در هکتار در کشاورزی این استان به ترتیب معادل 0.37 و 1.24 بوده است.

در تحقیق حاضر، عملکرد یک سامانه گرمایشی خورشیدی گلخانه، مجهز به متمرکزکننده سهموی خطی و جمع کننده تخت خورشیدی دومنظوره، با استفاده از شبکه عصبی مصنوعی پیش بینی شده است. در گلخانه مورد آزمایش، گرمای مورد نیاز در شب، به وسیله حرارت ذخیره شده به وسیله سامانه خورشیدی در طول روز و یک گرم کن کمکی تأمین می گردید. حرکت سیال درون مجموعه متمرکزکننده به وسیله پمپ و در جمع کننده تخت، به صورت ترموسیفون بود. از شبکه عصبی پرسپترون چند لایه با روش یادگیری پس انتشار خطا به منظور پیش بینی مصرف انرژی ذخیره شده در روز به وسیله سامانه گرمایش خورشیدی، مصرف انرژی گرم کن کمکی و دمای مخزن ذخیره حرارت استفاده شد. ورودی های شبکه شامل شدت تابش خورشید، دمای محیط، سرعت باد، دمای سطح، دمای گلخانه، دبی سیال حامل و زمان بودند. حدود 80 درصد از مجموع داده ها به منظور آموزش، 10 درصد آزمایش و 10 درصد اعتبارسنجی مورد استفاده قرار گرفتند. برای ارزیابی عملکرد شبکه از پارامترهای ضریب تبیین ( R² ) و میانگین مربعات خطا ( MSE ) استفاده شد. ساختار شبکه 1-15-7 با R² و MSE به ترتیب برابر با 98/0 و 00017/0 بهترین نتیجه را برای پیش بینی مصرف انرژی از حرارت ذخیره شده توسط سامانه خورشیدی نشان داد. ساختار 1-10-10-7 با R² و MSE به ترتیب برابر با 99/0 و 00014/0 و ساختار 1-15-5-7 با R² و MSE به ترتیب برابر با 98/0 و 00011/0 بهترین نتیجه را به ترتیب برای پیش بینی مصرف انرژی گرم کن کمکی و دمای مخزن ذخیره حرارت ارائه کردند.