Light Quality Control with Artificial Neural Networks

Yıl 2013, Cilt: 13 Sayı: 2, 1 - 10, 01.08.2013

Mustafa Şahin Fuat Büyüktümtürk Yüksel Oğuz

Öz

In a lighting system, factors such as wearing, pollution, dusting and decrease in output of lighting elements in time, have negative effects on lighting level dispersion on the working plane. Such negative conditions that occur in time in lighting systems cause many disadvantages in terms of both energy consumption and ergonomic working conditions. To establish healthy working environments, it is mandatory to provide a sufficient and stable lighting level. After installation phase of a lighting system, to measure the light level dispersion in that environment is a long and tiring struggle. In this study, the lighting concept is examined from different aspects under title of artificial neural networks and to determine the lighting quality in indoor areas, artificial neural networks are used. Thanks to artificial neural networks, measurements that are not possible with traditional calculation methods and take long time with measurement apparatuses have been calculated with minimum error rate and the calculations have been modeled as three dimensional in Matlab medium. In this manner, maintenances of lighting systems that are complicated and take long time have been realized in a shorter time and more reliable manner. Consequently, in this study, the success level of artificial neural networks in calculation of lighting level and its quality has been observed and it has been determined that more correct results could be obtained in terms of both economy and usage

Anahtar Kelimeler

-

Yapay Sinir Ağları ile Aydınlık Kalitesi Kontrolü

Öz

Bir aydınlatma sisteminde zaman içerisinde aydınlatma elemanlarının verimlerinin düşmesi, yıpranma, kirlenme, tozlanma gibi etkenler, çalışma düzlemi üzerindeki aydınlık düzeyi dağılımı üzerinde olumsuz yönde etkiye sahiptirler. Zaman içerisinde aydınlatma sistemlerinde ortaya çıkan bu olumsuzluklar hem enerji tüketimi hem de ergonomik çalışma koşulları açısından pek çok olumsuzluklara sebep olur. Sağlıklı çalışma ortamlarının oluşturulabilmesi için ise yeterli ve kararlı bir aydınlık düzeyinin sağlanması şarttır. Bir aydınlatma sisteminin kurulum aşamasından bir süre sonra o ortamdaki aydınlık düzeyi dağılımını ölçmek uzun ve yorucu bir iştir. Bu çalışmada; Aydınlatma kavramı yapay sinir ağları başlığı adı altında farklı açılardan incelenerek, iç mekânlardaki aydınlık kalitesini belirlemek amacıyla yapay sinir ağları kullanılmıştır. Klasik hesaplama yöntemiyle mümkün olmayan, ölçme cihazlarıyla uzun zaman alan ölçümler, yapay sinir ağı sayesinde kısa bir sürede, minimum hata oranı ile tahmin edilmiş ve tahminler Matlab ortamında üç boyutlu olarak modellenmiştir. Böylelikle aydınlatma sistemlerinin karmaşık ve uzun zaman alan bakımlarının daha az sürede ve daha güvenilir bir şekilde yapılması sağlanmıştır. Sonuç olarak bu çalışmada, aydınlatma düzeyinin ve kalitesinin tahmininde yapay sinir ağlarının ne ölçüde başarılı olduğu gözlemlenip hem ekonomiklik hem de kullanım açısından daha doğru sonuçlara ulaşıldığı görülmüştür.

Anahtar Kelimeler

Aydınlatma Sistemleri, Aydınlatma Kontrolü, Yapay Sinir Ağları, Aydınlık Düzeyi Tahmini

Kaynakça

• Oğuz G.P., Işık N., 2003. Tarihi Yapılardaki Doğal ve Yapay Aydınlatma Sempozyumu ve Sergisi Bildirileri. Uygulamaları. II. Ulusal
• Matta, S., Mahmud, S.M., 2010. An intelligent light control system for power saving”, 36th Annual Conference on IEEE Industrial Electronics Society, 3316 – 332.
• Galasiu, A.D., Newsham, G.R., Suvagau, C., Sander, D.M., 2007. Energy saving lighting control systems for open-plan offices: a field study. Leukos, 4, 7-29.
• Jafrancesco, D., Mercatelli, L., Fontani, D., Francini, F., Sansoni, P., 2008. Indoor illumination by solar light collectors. Chartered Institution of Building Services Engineers, Lighting Research & Technology, 40, 323– 332.
• Dounis, A.I., Tiropanis, P., Argiriou, A., Diamantis, A., 2011. Intelligent control system for reconciliation of the energy savings with comfort in buildings using soft computing techniques. Energy and Buildings, 43, 66–74.
• Singh, M.C., Garg, S.N., 2010. Illuminance estimation and daylighting energy savings for Indian regions. Renewable Energy, 35, 703-711.
• Kazanasmaz, T., Günaydın, M., Binol, S., 2009. Artificial neural networks to predict daylight illuminance in office buildings. Building and Environment, 44, 1751-1757.
• Krainer, A., B., Peternelj, J., Lah, M.T., Zupančič, 2006. Daylight illuminance control with fuzzy logic. Solar energy, 80, 307-321.
• Kaya, E., 2011. Aydınlatma Kontrolünün Enerji Verimliliğine Sempozyumu ve Sergisi Bildirileri. VI. Ulusal Aydınlatma
• Güvenkaya, R.K., 2008. İlköğretim Dersliklerinde Aydınlatma Enerjisi Yönetimi Açısından Yönlere Göre Uygun Cephe Seçeneklerinin Belirlenmesi Üzerine Bir Yaklaşım. Doktora Tezi, İ.T.Ü Fen Bilimleri Enstitüsü Mimarlık Anabilim Dalı, İstanbul, 365.
• Görgülü S., Kocabey S., Yüksek İ., Dursun B., 2010. Enerji Verimliliği Kapsamında Yapılarda Doğal Aydınlatma Yöntemleri: Kırklareli Örneği. Uluslararası II. Trakya Bölgesi Kalkınma-Girişimcilik Sempozyumu.
• CIE Uluslararası Aydınlatma Komisyonu
• Yavuz, C., 2004. Stadium Lighting Tecniques-Applications Around The World And Turkey. Aydınlatma Türk Milli Komitesi, İstanbul.
• Kocabey, S., 1999. Dahili Ortamlarda Aydınlık Seviyesinin Kontrolü Ve Enerji Tasarrufurun Sağlanması. Yüksek Lisans Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, Elektrik Eğitimi, İstanbul, 102.
• Doğan, H., 2004. Sonlu farklar yöntemiyle aydınlatma hesabının analizi. Yüksek Lisans Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, Elektrik Eğitimi, İstanbul, 99
• Şahin, M., 2010. Yapay sinir ağları ile dâhili ortamlardaki aydınlık düzeyinin analizi”, Marmara Üniversitesi Fen bilimleri Enstitüsü, Yüksek Lisans Tezi, Elektrik Eğitimi, İstanbul, 118.
• Janjai, S., Plaon, P., 2011. Estimation of sky luminance in the tropics using artificial neural networks: Modeling and performance comparison with the CIE model. Applied Energy, 88, 840-847.
• Lopez, G., Gueymard, C.A., 2007. Clear-sky solar luminous efficacy determination using artificial neural Networks. Solar Energy , 81, 929–939.
• Kocabey, S., 2008. İç Hacimlerde Aydınlık Düzeyi Dağılımının Bulunması Ve Sonlu Elemanlar Yöntemi İle İncelenmesi”, Marmara Üniversitesi Fen bilimleri Enstitüsü, Doktora Tezi, Elektrik Eğitimi, İstanbul, 155.
• Jin, L.V., 2007. Summary of Artificial Neuron Model Research. Industrial Electronics Society, 33rd Annual Conference of the IEEE, 677 – 682.
• Kalogirou, S.A., 1999. Applications of Artificial Neural Networks in Energy Systems a Review. Energy Conversion and Management, 40, 1073-1087.
• Medsker, L.R., 1997. The future of artificial neural networks could be bright. Computers/Control engineering, 10, 28-9.
• Saoud, S., Khellaf, A., 2011. A neural network based on an inexpensive eight-bit microcontroller. Neural Computing and Applications, 20, .329-334.
• Villaverde, I., Granna, M., 2011. Neuro-evolutionary mobile robot egomotion estimation with a 3D ToF camera. Neural Computing and Applications, 20, 345- 354.
• Cristea, V.M., Hosu A., Sandru, M., Seserman, L., 2011. Antioxidant activity prediction and classification of some teas using artificial neural Networks. Neural networks, 127, 1323-1328.
• Li, Y., Ma, W., 2010. Applications of Artificial Neural Networks in Financial Economics: A Survey. Computational Intelligence and Design (ISCID).
• Matić, D., Kulić, F., Sanchez, M.P., Llinares, J.P., 2010. Artificial Neural Networks Eccentricity Fault Detection of Induction Motor. Fifth International Multi- conference on Computing in the Global Information Technology., 1-4. İnternet Kaynakları
• 1-http://www.steelcase.com (12.8.2009).