پیش بینی نیروی مقاوم کششی یک زیرشکن با بازوی خمیده با استفاده از مدل شبکه عصبی مصنوعی

کششی یک زیرشکن با بازوی خمیده استفاده شد. شبکه های طراحی شده در این تحقیق که به منظور پیش بینی نیروی کششی زیرشکن با بازوی خمیده مورد استفاده قرار گرفتند، از نوع شبکه های چندلایه پس انتشار برگشتی بودند. از سه روش الگوریتم گرادیان نزولی با مومنتوم، الگوریتم لونبرگ- مارکوات و الگوریتم گرادیان نزولی مزدوج مقیاسی به منظور آموزش شبکه استفاده گردید. همچنین در این تحقیق از توابع تبدیل تانژانت سیگموئیدی، هیپربولیک و تابع محرک خطی بین لایه های شبکه استفاده گردید. نتایج این تحقیق نشان داد که شبکه عصبی توسعه داده شده با یک لایه مخفی و با 11 نرون در لایه میانی و با الگوریتم لونبرگ- مارکوات در مقایسه با سایر الگوریتم ها عملکرد بهتری دارد. میانگین دقت شبیه سازی 41/93 % و همچنین ضریب همبستگی 9795/0 برای مدل توسعه داده شده در این تحقیق بدست آمد. داده های بدست آمده از مدل شبکه عصبی مصنوعی با مدل رگرسیونی asae مقایسه شد. نتیجه این مقایسه نشان داد که داده های پیش بینی شده توسط شبکه عصبی مصنوعی خیلی نزدیک به داده های واقعی بدست آمده از آزمایشات مزرعه ای می باشند و مدل های رگرسیونی نتوانستند کاربرد چندانی برای پیش بینی نیروی مقاوم کششی در خاک های مورد مطالعه داشته باشند. : نیروی مقاوم کششی ابزارهای مختلف خاک ورزی یک پارامتر مهم برای اندازه گیری و ارزیابی عملکرد ادوات برای تعیین میزان انرژی لازم می باشد. پیش بینی این پارامتر در هر دو سیستم خاک ورزی دقیق و خاک ورزی در عمق یکنواخت می تواند به منظور از بین بردن لای? فشرده شد? خاک یا سخت لای? خاک در بسیاری از اهداف مدیریتی و همچنین پیش بینی انرژی موردنیاز و انتخاب تراکتور مناسب موثر واقع گردد. در این تحقیق آزمایشهای مزرعه ای در دو نوع خاک لومی شنی و لومی شنی به منظور مقایسه آماری مقادیر نیروی مقاوم کششی زیرشکن با بازوی خمیده تحت تاثیر پارامترهای مختلف انجام گرفت. پیش بینی نیروی مقاوم کششی با استفاده از مدل شبک? عصبی مصنوعی با داشتن برخی پارامترهای نوع و شرایط خاک، پارامترهای ابزار و پارامترهای عملیاتی و همچنین مقایسه دقّت مدل بدست آمده با مدل های رگرسیونی انجام گردید. آزمایشات در داخل هر بافت خاک در قالب آزمایش فاکتوریل بر پایه طرح بلوک کامل تصادفی (rcbd) و با چهار تکرار انجام شد. در داخل هر بافت خاک سطوح مختلف رطوبت در دو سطح (در محدوده ظرفیت مزرعه ای)، سرعت پیشروی تراکتور در چهار سطح و در محدوده سرعت های انجام عملیات خاک ورزی و عمق کاری در چهار سطح انجام شد و در داخل هر کرت آزمایشی صفات نیروی مقاوم کششی وسیله خاک ورزی، شاخص مخروطی خاک و درصد محتوی رطوبتی خاک اندازه گیری گردید. در این تحقیق به منظور اندازه گیری نیروی مقاوم کششی از یک دینامومتر اتصال سه نقطه با قابلیت اتصال سریع به تراکتورها و ادوات کشاورزی استفاده شد. همچنین مقادیر شاخص مخروط خاک توسط دستگاه نفوذسنج پشت تراکتوری اندازه گیری و ثبت گردید. نتایج تجزیه واریانس نشان داد که اثرات اصلی بافت خاک، رطوبت، سرعت و عمق به طور مجزا بر روی میزان نیروی مقاوم کششی زیرشکن معنی دار بود (سطح احتمال 1%). به طوری که با افزایش سرعت پیشروی و عمق کاری میزان نیروی مقاوم کششی به طور معنی داری افزایش می یابد. همچنین نتایج نشان داد که با افزایش محتوی رطوبتی میزان نیروی مقاوم کششی کاهش می یابد. ضمن این که اثرات متقابل دوتایی رطوبت در سرعت و بافت خاک در عمق بر میزان نیروی مقاوم کششی نیز معنی دار بود (سطح احتمال 1%). در این تحقیق با توجه به توسعه، کاربرد و دقت بالای شبکه های عصبی مصنوعی در پیش بینی و عدم نیاز به وجود رابطه ریاضی مشخص بین پارامترهای مختلف ورودی و خروجی، از شبکه های عصبی مصنوعی به منظور پیش بینی نیروی مقاوم