Содержание
Иллюстрации - 11
Таблицы и схемы - 10
Потенциал снижения эксплуатационных расходов на обслуживание спортивного освещения с использованием нейронных сетей «Светотехника», 2025, №5
Авторы статьи:
Шахин Мустафа (Sahin Mustafa), Гёк Рамазан (Gok Ramazan), Чимен Хасан (Cimen Hasan)
Шахин Мустафа (Sahin Mustafa), Ph. D. (электротехника, Университет Мармара, 2014), магистр техн. наук (Университет Мармара, 2010), бакалавр (электротехника, Университет Мармара, 2006). Доцент программы «Биомедицинские технологии», Университет медицинских наук. Научные интересы: светотехнические системы, электроэнергетика, приложения искусственных нейронных сетей (ИНС)
Гёк Рамазан (Gok Ramazan), магистр техн. наук (Университет Афьон Коджатепе, 2023), бакалавр (электротехника и электроника, Университет Балыкесира, 2019). Преподаватель Болвадинского профессионального училища, Университет Афьон Коджатепе. Научные интересы: светотехнические системы, возобновляемая энергетика, электроэнергетика, приложения ИНС
Чимен Хасан (Cimen Hasan), Ph. D. (управление электроэнергетическими системами, Университет Сассекса, Великобритания, 1998), магистр (электротехническое образование, Университет Мармара, 1988), бакалавр (электротехническое образование, Университет Мармара, 1985). Профессор каф. электротехники и электроники, Университет Афьон Коджатепе. Научные интересы: управление электроэнергетическими системами, интеллектуальные электронные схемы, проектирование светотехнических систем, солнечная/водородная энергетика
Аннотация
Спортивные залы закрытого типа – объекты частого проведения соревнований. Для их эффективной организации необходим контроль факторов физического риска: освещения, температуры и звука. Освещение – важнейший из этих факторов, поскольку напрямую влияет на зрительное восприятие спортсменов, судей и зрителей. Обеспечение идеального освещенияв крытых спортивных сооруженияхкритически важно для предотвращения снижения производительности из-за ухудшения видимости у участников и судей, а также для повышения комфорта восприятия у зрителей. Основные условия достижения этого – поддержание средней яркости на оптимальном уровне и устранение неоднородностей в её распределении, гарантирующие равномерность яркости на игровой поверхности. Следовательно, значения яркости в помещении требуют периодической проверки и, при необходимости, технического обслуживания ОУ. Измерение яркости в различных точках пространства необходимо для критически важных работ по обслуживанию и модернизации ОУ. Однако этот процесс остаётся трудоёмким и отнимает много времени, что исключает математический расчёт распределения яркости после физического износа оборудования. Учитывая эти сложности, потребность в новых методах очевидна. В настоящем исследовании представлен новый прогнозный метод контроля равномерности яркости в крытых спортивных залах. Данный метод позволяет легко прогнозировать средние значения яркости и выявлять точки неоднородности в её распределении, обеспечивая возможность своевременного вмешательства в работу ОУ.
Список использованной литературы
1. Ünlü, Y.D., Şahin, N. High Energy Efficient and LED Lighting Vehicles in Lighting of Sports Halls // Bitlis Eren University BEU Journal of Science, 2021, Vol. 10, # 1, pp. 277–286.
2. De Graaf, T., Dessouky, M., Müller, H.F. Sustainable Lighting of Museum Buildings // Renewable Energy, 2014, Vol. 67, pp. 30–34.
3. Khosrowshahi, F., Alani, A. Visualisation of Impact of Time on the Internal Lighting of a Building // Automation in Construction, 2011, Vol. 20, # 2, pp. 145–154.
4. Veitch, J.A., Newsham, G.R. Lighting Quality and Energy-Efficiency Effects on Task Performance, Mood, Health, Satisfaction, and Comfort // Journal of the Illuminating Engineering Society, 1998, Vol. 27, # 1, pp. 107–129.
5. Hsu, C.H. The Effects of Lighting Quality on Visual Perception at Sports Events: A Managerial Perspective // International Journal of Management, 2010, Vol. 27, # 3, pp. 693–703.
6. Houser, K., Wei, M., Royer, M.P. Illuminance Uniformity of Outdoor Sports Lighting // Leukos, 2011, Vol. 7, # 4, pp. 221–235.
7. Kayakuş, M., Üncü, İ.S. Measuring the Luminance of an Indoor Basketball Hall with Developed Artificial Neural Networks Based Software // European Journal of Science and Technology, 2020, # 19, pp. 770–777.
8. Özkaya, M., Tüfekçi, T. Lighting Technique / Birsen Publishing House, İstanbul, 2011.
9. Kocabey, S., Ekren, N. A New Approach for Examination of Performance of Interior Lighting Systems // Energy and Buildings, 2014, Vol. 74, pp. 1–7.
10. Şahin, M., Oğuz, Y., Büyüktümtürk, F. ANN Based Estimation of Time-dependent Energy Loss in Lighting Systems // Energy and Buildings, 2016, Vol. 116, pp. 455–467.
11. Kayakuş, M., Çevik, K.K. Estimation of Luminance Measurements in Road Lighting with Deep Learning Method // International Conference on Artificial Intelligence and Applied Mathematics in Engineering (ICAIAME 2019), 2019, pp. 111–112.
12. Kazanasmaz, T., Günaydın, M., Binol, S. Artificial Neural Networks to Predict Daylight Illuminance in Office Buildings // Building and Environment, 2009, Vol. 44, # 8, pp. 1751–1757.
13. Şahin, M., Büyüktümtürk, F., Oğuz, Y. Lighting Quality Control with Artificial Neural Networks // Afyon Kocatepe University Journal of Science and Engineering, 2013, Vol. 13, pp. 1–10.
14. Da Fonseca, W.R., Didoné, L.E., Pereira, R.O.F. Using Artificial Neural Networks to Predict the Impact of Daylighting on Building Final Electric Energy Requirements // Energy and Buildings, 2013, Vol. 61, pp. 31–38.
15. Tran, D., Tan, Y.K. Sensorless Illumination Control of A Networked Led-Lighting System Using Feedforward Neural Network // IEEE Transactions on Industrial Electronics, 2014, Vol. 61, pp. 2113–2121.
16. Şahin, M., Büyüktümtürk, F., Yüksel, O., Yalçın, P. Estimation of Luminous Flux Decreases in Lighting Elements with Artificial Neural Networks // Erzincan University Journal of Science and Technology, 2014, Vol. 7, # 1, pp. 19–36.
17. Şahin, M., Oğuz, Y., Büyüktümtürk, F. Approximate and Three-Dimensional Modeling of Brightness Levels in Interior Spaces by Using Artificial Neural Networks // Journal of Electrical Engineering and Technology, 2015, Vol. 10, # 4, pp. 1822–1829.
18. Şahin, M. Estimation of Average Illuminance Level in Indoor Lighting Systems with Artificial Neural Networks // Afyon Kocatepe University Journal of Science and Engineering, 2019, Vol. 19, # 2, pp. 348–360.
19. Kayakuş, M., Üncü, S.İ. Measuring Luminance on Tennis Courts Using Artificial Neural Networks // In: Strategy-Focused Academic Assessments, SRA Academic Publishing, 2019, Chapter 9, pp. 171–190.
20. Kayakuş, M. Determination of White Board Luminance Used in Classrooms With Artificial Neural Networks // 6th International Management Information Systems Conference «Connectedness and Cybersecurity», İstanbul, 2019, pp. 355–361.
21. Kayakuş, M., Üncü, S.İ. The Luminance Estimation of Basketball Halls Using Machine Learning Methods // Düzce University Journal of Science & Technology, 2020, Vol. 8, # 4, pp. 2468–2479.
22. Georgiev, K., Ivanov, D., Petrinska, I. Lighting Mesurements of Recostructed Multifunctional Sports Hall // 2024 Ninth Junior Conference on Lighting (Lighting), 2024, pp. 1–4.
23. Jarvis Lighting // URL: https://www.jarvislighting. com/ (дата обращения: 22.01.2025).
24. Fiorentin, P., Iacomussi, P., Rossi, G. Characterization and Calibration of a CCD Detector for Light Engineering // IEEE Transactions on Instrumentation and Measurement, 2005, Vol. 54, # 1, pp. 171–177.
25. Kocabey, S. Finding the illumination level distribution in interior volumes and examining it with the finite element method // Ph. D. Thesis, Marmara University, 2008, Turkey.
26. Marques, É., Melo, R.B., Carvalho, F. Ergonomic Work Analysis of Industrial Quality Control Workstations // International Conference on Applied Human Factors and Ergonomics, Springer, Cham, 2017, pp. 532–544.
27. Ekrias, A., Eloholma, M., Halonen, L., Song, X.J., Zhang, X., Wen, Y. Road lighting and headlights: Luminance measurements and automobile lighting simulations // Building and Environment, 2008, Vol. 43, # 4, pp. 530–536.
28. Davarci, Z.O., Sahin, M., Akar, O. Luminance Measurement and Estimation Methods in Road // Light & Engineering, 2022, Vol. 30, # 6, pp. 106–123.
29. Büyükkınacı, B. Road Lighting Automation // MSc Thesis, Istanbul Technical University, 2008, Turkey.
30. Şahin, M. Determining the Maintenance Coefficients of Environments with Different Technical and Physical Properties and Estimating the Light Levels with Artificial Neural Networks // Ph. D. Thesis, Marmara University, 2014, Turkey.
31. Alizadeh, M.J., Shabani, A., Kavianpour, M.R. Predicting longitudinal dispersion coefficient using ANN with metaheuristic training algorithms // International Journal of Environmental Science and Technology, 2017, Vol. 14, pp. 2399–2410.
32. Jassim, M.S., Coşkuner, G., Zontul, M. Comparative Performance Analysis of Support Vector Regression and Artificial Neural Network for Prediction of Municipal Solid Waste Generation // Waste Management & Research, 2022, Vol. 40, pp. 195–204.
33. Saeidlou, S., Ghadiminia, N. A construction cost estimation framework using DNN and validation unit // Building Research & Information, 2023, Vol. 52, # 1–2, pp. 38–48.
34. Lewis, C.D. Industrial and Business Forecasting Methods / Butterworths Publishing, London, 1982, 40 p.
35. Witt, S.F., Witt, C. Modeling and Forecasting Demand in Tourism / Academic Press, London, 1992.
36. Yanık, E. Demand Forecasting Application with Artificial Neural Networks in the Construction Equipment Industry // MSc Thesis, Kırıkkale University, 2019, Turkey.
37. Taşkıner, B. Prediction of Natural Gas Consumption in Ankara Province with Artificial Neural Networks // MSc Thesis, Istanbul Technical University, 2018, Turkey.
38. Karahan, M. Forecasting Amount of Export Demand with Artificial Neural Networks Method: A Comparative Analysis of ARIMA and ANN // Ege Academic Review, 2015, Vol. 15, # 2, pp. 165–172.
Ключевые слова
Выберите вариант доступа к этой статье
Рекомендуемые статьи