عنوان پایان‌نامه
مدیریت و بهینه‌سازی مصرف انرژی در واحدهای پرورش گاو شیری و مرغ تخمگذار به کمک روش بهینه‌سازی فازی – مطالعه موردی: شهرستان‌های ری و کرج
- رشته تحصیلی
- مهندسی کشاورزی - مکانیزاسیون کشاورزی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5063;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 55171
- تاریخ دفاع
- ۲۸ شهریور ۱۳۹۱
- دانشجو
- پریا سفیدپری
- استاد راهنما
- شاهین رفیعی
- چکیده
- در بخش کشاورزی، انرژی و فعالیت¬های مربوطه رابطه تنگاتنگی داشته به¬طوری¬که انرژی، عاملی برای ادامه و رشد فعالیت¬های کشاورزی می¬باشد. لذا در این تحقیق، به بررسی الگوی مصرف انرژی در زیربخش دامپروری در شهرستان ری و کرج پرداخته شده است. امید است نتایج این تحقیق سیاست¬گذاران و تصمیم¬گیرندگان را در کشور یاری رساند. اطلاعات مورد نیاز از طریق مصاحبه حضوری با دامداران به¬دست آمد. نهاده¬های مورد بررسی شامل نیروی کارگری، ماشین¬ها و تجهیزات، سوخت، الکتریسیته، خوراک دام و پولت بودند. معادل انرژی هر یک از نهاده-ها با ضرب مقدار مصرف نهاده¬ها در هم¬ارز انرژی آن محاسبه شد. نتایج نشان داد که کل انرژی ورودی برای تولید شیر و تخم¬مرغ حدوداً برابر (رأس گاوGJ/) 1/53 و (1000 قطعه مرغGJ/) 5/712 بوده و در تولید هر دو محصول خوراک دام و سوخت دیزل، مهم¬ترین نهاده¬های مصرف¬کننده انرژی بودند. همچنین نسبت انرژی در تولید این دو محصول به ترتیب برابر 15/1، 23/0 به¬دست آمد و قسمت عمده انرژی مصرفی از نوع تجدیدناپذیر و غیرمستقیم بود. با استفاده از تکنیک تحلیل پوششی داده¬ها، کارایی دامداران از لحاظ مصرف انرژی مورد بررسی قرار گرفت و نتایج نشان داد که کارایی فنی در تولید شیر و تخم¬مرغ به ترتیب برابر 78/0 و 85/0 است. همچنین نتایج تحلیل پوششی داده¬های فازی نشان داد که واحدهای مذکور به ترتیب به¬طور متوسط 85/0 و 87/0 کارایی فنی دارند. برنامه¬ریزی خطی فازی واحدهای با اندازه به ترتیب 73، 142 و 188 رأس گاو و 19355، 41192 و 126093 قطعه مرغ در هر مزرعه را از نظر مصرف انرژی بهینه اعلام کرد. کاربرد شبکه عصبی مصنوعی جهت مدلسازی مصرف انرژی نشان داد ضریب تبیین و مقدار جذر میانگین مربعات خطا برای تولید شیر و تخم¬مرغ به ترتیب برابر 88/0، 92/0 و 015/0، 017/0 است. همچنین مدلسازی انرژی مستقیم و غیرمستقیم ¬با استفاده از روش سامانه استنتاج فازی عصبی تطبیقی روشی بهتر از رگرسیون خطی شناخته شد.
- Abstract
- In agricultural sector, energy and its respective activities are closely related to each other whereas energy is one of the main important factors influencing the continuous and improvement of agricultural activities. Hence, in the present study, the energy consumption pattern of livestock farming in Rey and Karaj cities has been taken under consideration. We hope the results of this study would be beneficial to policy and decision makers of our country. The required data were collected from farmers using a face to face questionnaire method. The target inputs included human labor, machinery and equipment, fossil fuels, electricity, feed and pullet. The energy equivalents of inputs were calculated multiplying the inputs use value by its corresponding energy coefficient equivalent. The results of this study showed that the total energy input for milk and egg production systems are about 53.1 (GJ/head cow) and 712.5 (GJ/1000 birds), respectively. Feed and fossil fuel energies were highly contributed to energy use share for both products. Moreover, energy ration was calculated to be 1.15 and 0.23, respectively and a high share of energy consumption was belonged to non-renewable and indirect energy sources. Technical efficiency of farmers was investigated using data envelopment analysis. The results indicated that the technical efficiency of milk and egg producers was 0.78 and 0.85, respectively. Technical efficiency using fuzzy data envelopment analysis was calculated as 0.85 and 0.87, respectively. Fuzzy linear programming determined dairy farms with population of 73, 142, 188 head of cows per farm and layer farms with 19355, 41192 and 126093 birds per farmas as optimized farms in the view of energy use. Applying artificial neural networks for energy use modeling showed that for milk and egg products, the coefficient of determination was 0.88 and 0.92 and the root mean square error was 0.015 and 0.017, respectively. Modeling of direct and indirect energies, using adaptive neural-fuzzy inference system resulted better in contrast with linear regression approach.
