Применение искусственной нейронной сети при моделировании распределения освещенности в трехмерном пространстве

В работе рассмотрено моделирование трехмерного распределения освещенности от источников света с помощью искусственной нейронной сети (ИНС). Наиболее остро эти вопросы стоят в тепличных облучательных установках из-за конструктивных особенностей – значительных габаритов излучателей относительно малой высоты подвеса, что исключает их представление точечным источником. Цель исследования – разработка методики моделирования распределения освещенности в трехмерном пространстве, включающей получение экспериментальных данных и их обработку с помощью искусственной нейронной сети. Датасет размером 2100 записей получен экспериментально для разработанного фитооблучателя. Измеряли значения освещенности E в узлах координатной сетки с шагом 10 см в пределах от 0 до 120 см (по координате x) и от 0 до 100 см (по координате y) во всех четырех квадрантах, при различной высоте подвеса фитооблучателя h на уровнях 30, 50, 70 и 90 см. Для построения модели применены библиотеки TensorFlow и Keras языка программирования Python. Моделирование проводили в Google Colab. Результаты показали, что созданная нейросеть эффективно описывает распределение потока на облучаемой поверхности, учитывая реальную геометрию источника света. Ключевое преимущество метода – возможность расчета освещенности для любой комбинации высоты подвеса и координат точки на плоскости, что преодолевает ограничения традиционных светотехнических расчетов, основанных на законе обратных квадратов. Средняя абсолютная ошибка нейросетевой модели составляет 0,04 клк, значение коэффициента детерминации R² = 0,9967 с 95%-м доверительным интервалом [0,09953, 0,9977], что является хорошим результатом. Средняя ошибка предсказаний составляет 7,5 %, эта величина может быть улучшена путем регуляризации и аугментации данных. Показано, что метод ИНС применим для проектирования энергоэффективных осветительных систем, адаптируем к учету спектральных характеристик и отраженного света. После повторного обучения модель может быть использована для фитооблучателей произвольной конструкции, что расширяет ее практическую значимость в светокультуре.

1. Панарин В. М., Гришаков К. В., Маслова А. А., Гришакова О. В., Архипов А. В. Применение искусственных нейронных сетей в инженерно-технических и экологических разработках. Известия Тульского государственного университета. Технические науки. 2022;(4):278–284. DOI: https://doi.org/10.24412/2071-6168-2022-4-278-284 EDN: WDNKXE

2. Кутырёв А. И., Филиппов Р. А. Применение сверточной нейронной сети для мониторинга состояния земляники садовой. Аграрная наука Евро-Северо-Востока. 2023;24(4):685–696. DOI: https://doi.org/10.30766/2072-9081.2023.24.4.685-696 EDN: EZQZKS

3. Черепенин В. А., Кацупеев А. А. Анализ подходов к созданию системы «Умная теплица» на основе нейронной сети. Программные системы и вычислительные методы. 2024;(1):68–78. DOI: https://doi.org/10.7256/2454-0714.2024.1.69794 EDN: XAZVOW

4. Смирнов А. В., Тищенко И. П. Применение Сиамских нейронных сетей для классификации биомассы растений по визуальному состоянию. Программные сист емы: теория и приложения. 2024;15(3(62)):53–74. DOI: https://doi.org/10.25209/2079-3316-2024-15-3-53-74 EDN: RATGTW

5. Воробьев Н. И., Лысов А. К., Корнилов Т. В., Хютти А. В. Вычислительная нейросеть для обработки светоотражательных спектров растений и дистанционного фитосанитарного мониторинга картофеля. Аграрная наука Евро-Северо-Востока. 2024;25(2):283–292. DOI: https://doi.org/10.30766/2072-9081.2024.25.2.283-292 EDN: KUSISD

6. Сорокин М. И. Использование свёрточных нейронных сетей для классификации видов искусственного освещения. Аллея науки. 2018;3(6(22)):1008–1011. Режим доступа: https://elibrary.ru/item.asp?id=35326748 EDN: XULOAP

7. Lork C., Cubillas M., Kiat Ng B. K., Yuen C., Tan M. Minimizing Electricity Cost through Smart Lighting Control for Indoor Plant Factories. IECON 2020 The 46th Annual Conference of the IEEE Industrial Electronics Society. 2020. DOI: https://doi.org/10.1109/iecon43393.2020.9255061

8. Ерсой Йылмаз А., Розовский Е. И. Нейросетевое моделирование зависимости цветовой температуры освещения от источника света и оптической системы светильника. Светотехника. 2017;(1):49–54. Режим доступа: https://elibrary.ru/item.asp?id=28777660 EDN: YFTHAT

9. Kazanasmaz T., Günaydin M., Binol S. Artificial neural networks to predict daylight illuminance in office buildings. Building and Environment. 2009;44(8):1751–1757. DOI: https://doi.org/10.1016/j.buildenv.2008.11.012

10. Dudzik M., Dechnik M., Furtak M. Application of neural networks to lighting systems. MATEC Web of Conferences. 2019;282(2):02069. DOI: https://doi.org/10.1051/matecconf/201928

11. Бородулин Д. М., Шафрай А. В., Максименко А. А. Применение нейронной сети для управления системой домашней гидропоники. Техника и технология пищевых производств. 2023;53(2):384–395. DOI: https://doi.org/10.21603/2074-9414-2023-2-2440 EDN: THVKNB

12. Zhang Y., Li S. Study on Illumination Measurement Method of Lighting Environment Based on RBF Neural Network. Journal of Physics: Conference Series. 2022;2196(1):012004. DOI: https://doi.org/10.1088/1742-6596/2196/1/012004

13. Семенова Н. Г., Валиуллин К. Р. Интеллектуальная система энергоэффективного управления уличным освещением на основе нейросетевых технологий. Вестник Оренбургского государственного университета. 2015;(4(179)):183–188. Режим доступа: https://elibrary.ru/item.asp?id=24097618 EDN: UHINQP

14. Егоров А. Д., Павлюченко Д. А. Применение искусственных нейронных сетей при проектировании электрического освещения. Энергетик. 2020;(11):21–25. Режим доступа: https://elibrary.ru/item.asp?id=44236455 EDN: MGYYVH

15. Ракутько С. А., Ракутько Е. Н. Оценка равномерности поверхностного распределения потока излучения как фактора энергоэффективности светокультуры. Инженерные технологии и системы. 2021;31(3):470–486. DOI: https://doi.org/10.15507/2658-4123.031.202103.470-486 EDN: XLLAUS

16. Ракутько С. А., Ракутько Е. Н., Васькин А. В. Влияние компоновочных параметров облучательной установки на энергоэкологичность светокультуры. АгроЭкоИнженерия. 2021;(3(108)):33–51. DOI: https://doi.org/10.24412/2713-2641-2021-3108-33-50 EDN: RHFSXY

17. Галкин В. А., Гавриленко Т. В., Смородинов А. Д. Некоторые аспекты аппроксимации и интерполяции функций искусственными нейронными сетями. Вестник КРАУНЦ. Физико-математические науки. 2022;38(1):54–73. DOI: https://doi.org/10.26117/2079-6641-2022-38-1-54-73 EDN: JTZQQZ