İç Mekân Aydınlatma Sistemlerinde Ortalama Aydınlık Düzeyinin Yapay Sinir Ağları İle Tahmini
Bir aydınlatma sistemi ilk kurulum aşamasında ne kadar iyi tasarlanırsa tasarlansın, zamana bağlı olarakortam içerisindeki aydınlık düzeyi azalmaktadır. Bu azalmanın başlıca sebepleri; aydınlatmaelemanlarındaki ışık akısı azalması, lambaların arızalanması, aydınlatma elemanlarındaki kirlenmeler,duvar yüzeylerindeki kirlenmeler ve tozlanmalar şeklinde sıralanabilir. Aydınlık düzeyindeki bu azalmayavaş yavaş ve sürekli olduğu için gözle fark edilmez. Söz konusu azalmalar belirli bir düzeye indiğindeise görme yeteneği azalmakta ve buna bağlı olarak ta iş kazaların artmaktadır. Tüm bu olumsuzluklaraengel olabilmek için aydınlatma sistemine doğru zamanda müdahale edilerek gereken bakımınyapılması şarttır. Bakım zamanın belirlenmesi için ise ortam içerisinde çok sayıda noktada aydınlıkdüzeylerinin ölçümünün yapılması gerekmektedir. Bu ölçümlerden faydalanılarak ortalama aydınlıkdüzeyi (E_ort ) hesaplanır ve bakım zamanını gelip gelmediğine karar verilir. Bu bilgiler doğrultusundaçalışmada, E_ort değerinin tahmini için Yapay Sinir Ağı (YSA) kullanılmıştır. Yapılan tahminler sayesindehem bakım zamanının tespiti kolaylaşmış hem de ışığa dönüşmeyen enerji yüzdesi kolaylıklasaptanmıştır. Bu sayede aydınlatma sistemine zamanında müdahale olanağı sağlanmış veiyileştirilmelere gidilmiştir. Yapılan bu iyileştirmeler neticesinde ışığa dönüşmeyen enerji kaybınınönüne geçilmiştir.
Estimation of The Average Illuminance Level of Interior Lighting Systems By Using Artificial Neural Networks
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.
___
- 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. ANNbased
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.