Estimation of The Average Illuminance Level of Interior Lighting Systems By Using Artificial Neural Networks

Year 2019, Volume: 19 Issue: 2, 348 - 360, 17.09.2019

Mustafa Şahin

Abstract

No matter how well
designed is the initial installation phase of an illumination system, the level
of luminousness in an environment decreases depending on the time. The major
reasons of this decrease can be listed as the decrease in the luminous flux in
lighting equipments, failures in lamps, getting dirty of lighting equipments,
dirtiness and dust on wall surfaces. This decrease in the level of luminousness
is not visible to eyes since it is slow and continuous. When this decrease
reaches to a particular level, the ability to see decreases, as well and the
amount of occupational accidents increase accordingly. In order to prevent
these unfavorable things, illumination system should be responded in time and
necessary maintenance should be performed. In order to determine maintenance
period, level of lighting should be measured in several spots. By utilizing
these measurements, average lighting level (E_ort ) is measured and whether it
is the maintenance date or not is determined. In accordance with this
information, in this study, artificial neural network (ANN) is used to estimate
the E_ort value. Through these estimations, the determination of maintenance
date got easier and the percentage of the energy that is transformed into light
was determined easily. In this way, the chance to respond to illumination
system in time was provided and improvements were performed. As a result of
these improvements, energy loss that is not transformed into light was
prevented.

Keywords

Lighting Systems, Average Illuminance Level, Maintenance Period, Artificial Neural Networks

İç Mekân Aydınlatma Sistemlerinde Ortalama Aydınlık Düzeyinin Yapay Sinir Ağları İle Tahmini

Abstract

Bir aydınlatma sistemi ilk kurulum aşamasında ne
kadar iyi tasarlanırsa tasarlansın, zamana bağlı olarak ortam içerisindeki
aydınlık düzeyi azalmaktadır. Bu azalmanın başlıca sebepleri; aydınlatma
elemanlarındaki ışık akısı azalması, lambaların arızalanması, aydınlatma
elemanlarındaki kirlenmeler, duvar yüzeylerindeki kirlenmeler ve tozlanmalar
şeklinde sıralanabilir. Aydınlık düzeyindeki bu azalma yavaş yavaş ve sürekli
olduğu için gözle fark edilmez. Söz konusu azalmalar belirli bir düzeye
indiğinde ise görme yeteneği azalmakta ve buna bağlı olarak ta iş kazaların artmaktadır. Tüm bu
olumsuzluklara engel olabilmek için aydınlatma sistemine doğru zamanda müdahale
edilerek gereken bakımın yapılması şarttır. Bakım zamanın belirlenmesi için ise
ortam içerisinde çok sayıda noktada aydınlık düzeylerinin ölçümünün yapılması
gerekmektedir. Bu ölçümlerden faydalanılarak ortalama aydınlık düzeyi (Eort) hesaplanır ve bakım zamanını gelip gelmediğine karar verilir. Bu
bilgiler doğrultusunda çalışmada,  Eort değerinin
tahmini için Yapay Sinir Ağı (YSA) kullanılmıştır. Yapılan tahminler sayesinde
hem bakım zamanının tespiti kolaylaşmış hem de ışığa dönüşmeyen enerji yüzdesi kolaylıkla
saptanmıştır. Bu sayede aydınlatma sistemine zamanında müdahale olanağı
sağlanmış ve iyileştirilmelere gidilmiştir. Yapılan bu iyileştirmeler neticesinde
ışığa dönüşmeyen enerji kaybının önüne geçilmiştir. 

Keywords

Aydınlatma Sistemleri, Ortalama Aydınlık Düzeyi, Bakım Periyodu, Yapay Sinir Ağları

References

• Akella, A.K., Saini, R.P., Sharma, M.P., 2009. Social, economical and environmental impacts of renewable energy systems. Proceedings of Renewable Energy, 34, 390-396.
• Bağcı, S.A., Ekiz, H. and Yılmaz, A., 2003. Determination of the salt tolerance of some barley genotypes and the characteristics affecting tolerance. Turkish Journal of Agriculture and Forestry, 27, 253-260.
• Baloch, A. A., Shaikh, P. H., Shaikh, F., Leghari, Z. H., Mirjat, N. H., and Uqaili, M. A., 2018. Simulation tools application for artificial lighting in buildings. Renewable and Sustainable Energy Reviews, 82, 3007-3026.
• Bean, R., 2014. Lighting: interior and exterior. Routledge.
• Bernatt, J., Gawron, S., & Glinka, T., 2018. Energy-Saving Electric Drives. In 2018 International Symposium on Electrical Machines (SME) 1-5, IEEE.
• Commission: Interior Lighting Code, 2001. London British Standards Institution, CIBSE, London.
• Code for Lighting 2012, CIBSE, London. British Standards Institution, 1996, BS 667, Specification for portable photoelectric photometers. BS EN 13201-4
• Gençoğlu, M. T., 2005. İç Aydınlatmada Enerji Tasarrufu, EMO Yayınları.
• De Graaf, D. T., Dessouky, M. and Müller F.O.H., 2014. Sustainable lighting of museum buildings, Renewable Energy, 67, 30–34.
• Erlalelitepe, İ., Aral, D., ve Kazanasmaz, T., 2011. Eğitim yapılarının doğal aydınlatma performansı açısından incelenmesi. Yıldız Teknik Üniversitesi Mimarlık Dergisi, 6, 39-51.
• IEA, 2014. Policies for Energy-Efficiency lighting. Energy Efficiency Policy Profıles, International Energy Agency.
• Kazanasmaz, T., Günaydın, M., Binol, S., 2009. Artificial neural networks to predict daylight illuminance in office buildings. Building and Environment. 44-8, 1751-1757.
• Khosrowshahi, F., Alani, A., 2011. Visualisation of Impact Of Time On The Internal Lighting Of A Building. Automation in Construction, 20-2, 145–154.
• Kocabey, S., 2008. İç Hacimlerde Aydınlık Düzeyi Dağılımının Bulunması ve Sonlu Elemanlar Yöntemi İle İncelenmesi. Doktora Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, Türkiye.
• Kocabey, S., Ekren, N., 2014. A new approach for examination of performance of interior lighting systems. Energy and Buildings, 74, 1–7.
• Koninklijke Philips Electronics N.V., 2012. The LED Lighting Revolution. A Summary Of The Global Savings Potential.
• Russell, S., 2012. The Architecture Of Light (2nd Edition): A textbook of procedures and practices for the Architect, Interior Designer and Lighting Designer. Conceptnine.
• Kralikova, R., Andrejiova, M. and Wessely, E., 2015. Energy Saving Techniques and Strategies for Illumination in Industry. Procedia Engineering, 100, 187-195.
• Lund, H., 2007. Renewable energy strategies for sustainable development. Energy, 32-6, 912–919.
• Marques, É., Melo, R. B., and Carvalho, F., 2017. Ergonomic Work Analysis of Industrial Quality Control Workstations. In International Conference on Applied Human Factors and Ergonomics. Springer, Cham. 532-544.
• Soori, K.P., Vishwas, M., 2013. Lighting control strategy for energy efficient office lighting system design. Energy and Buildings, 66, 329–337.
• Şahin, M., Büyüktümtürk, F., and Oğuz Y., 2012. Yapay Sinir Ağları ile Aydınlık Kalitesi Kontrolü. Afyon Kocatepe Üniversitesi Fen Ve Mühendislik Bilimleri Dergisi, 13-2, 1-10.
• Şahin. M. (2014) Farklı Teknik ve Fiziksel Özelliklerdeki Ortamların Bakım Katsayılarının Belirlenmesi ve Aydınlık Düzeylerinin Yapay Sinir Ağları İle Tahmin Edilmesi, Marmara Üniversitesi Fen Bilimleri Enstitüsü Elektrik Eğitimi, Doktora Tezi.
• Şahin M., Oguz Y., Buyuktumturk F., 2015. Approximate and Three-Dimensional Modeling of Brightness Levels in Interior Spaces by Using Artificial Neural Networks. Journal of Electrıcal Engıneerıng & Technology, 10, 1822-1829.
• Şahin, M., Oğuz, Y., and Büyüktümtürk, F., 2016. ANN-based Estimation of Time-dependent Energy Loss in Lighting Systems’, Energy and Buildings, 116, 455-467.Tekbıyık, G., 2018. Sürdürülebilir mimarlıkta yenilenebilir enerji kaynaklarının kullanımı, kamu binalarında uygulama yöntemleri ve örneklerinin incelenmesi. Master's thesis, Fatih Sultan Mehmet Vakıf Üniversitesi, Mühendislik ve Fen Bilimleri Enstitüsü.
• Teng, F., Aunedi, M., and Strbac, G., 2016. Benefits of flexibility from smart electrified transportation and heating in the future UK electricity system. Applied Energy, 167, 420–431.
• The Correlation of Models of Vision and Visual Performance. (2002). Commission Internationale de L’Eclairage, CIE Publication, Vienna, Avustria.
• The society of light and lighting part of the chartered installation of building services engineers Measurement of illuminance in electrically lit Spaces, 2012, 3.
• Tran, D., & Tan, Y. K. (2014). Sensorless illumination control of a networked LED-lighting system using feedforward neural network. IEEE transactions on industrial electronics, 61-4, 2113-2121.
• Tsangrassoulis, A., & Wa, L. D. H., 2018. Editorial on Energy Efficient Lighting Strategies in Buildings.
• Veitch, J. A., Newsham, G. R., 1998. Lighting quality and energy efficiency effects on task performance,mood, health, satisfaction and comfort, Journal of the Illuminating Engineering Society, 107-129.
• Yang, H.I. and Nam, E.J., 2010. Economic analysis of the daylight-linked lighting control system in office buildings. Solar Energy, 84-8, 1513–1525.
• Yavuz, S., ve Deveci, M. 2012. İstatiksel Normalizasyon Tekniklerinin Yapay Sinir Ağın Performansına Etkisi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 40, 167-187.