MétaCan
Menu
Retour à la cohorte
Enregistrement W2942572477 · doi:10.1109/tie.2019.2912762

Energy-Efficient Supplemental LED Lighting Control for a Proof-of-Concept Greenhouse System

2019· article· en· W2942572477 sur OpenAlexafffund
Jun Jiang, Afagh Mohagheghi, Mehrdad Moallem

Notice bibliographique

RevueIEEE Transactions on Industrial Electronics · 2019
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueGreenhouse Technology and Climate Control
Établissements canadiensSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaPacific Institute for Climate Solutions
Mots-clésDaylightLight-emitting diodeGreenhouseLED lampControl systemIrradianceEnergy (signal processing)Computer scienceAutomotive engineeringEngineeringElectrical engineeringMathematics

Résumé

récupéré en direct d'OpenAlex

In this paper, a multiple-input multiple-output control system integrated with daylight harvesting is presented as a proof-of-concept system for energy-efficient greenhouse lighting. The control objective is to regulate the intensity of dimmable multispectrum light-emitting diode (LED) fixtures for achieving desired spectral irradiance levels and color ratios while utilizing the natural sunlight as much as possible. To ensure stability and improved dynamic performance, a Smith predictor is utilized to compensate for the delay introduced into the system by the communication hardware. A stability analysis of the closed-loop system is presented considering system delay and modeling uncertainties. The proposed control system was experimentally tested in a grow-tent environment consisting of dimmable halogen lights that emulate daylight variation, multispectrum dimmable LED fixtures, and low-cost light sensors. The results indicate that about 30% energy savings can be achieved by using the proposed automated lighting control system.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,016
Tête enseignante GPT0,210
Écart entre enseignants0,194 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Industrial ElectronicsMême sujetGreenhouse Technology and Climate ControlTravaux en français237 207