نام پژوهشگر: مسعود فاضلی

مقایسه نیروی کششی و انرژی موردنیاز کولتیواتورهای متداول و پیش بینی نیروی کششی موردنیاز به روش شبکه عصبی مصنوعی
thesis وزارت علوم، تحقیقات و فناوری - دانشگاه محقق اردبیلی - دانشکده کشاورزی و منابع طبیعی 1391
  مسعود فاضلی   یوسف عباسپور گیلانده

روش های مختلفی برای مبارزه با علف های هرز وجود دارد که روش مبارزه مکانیکی (کولتیواتورزدن)، از یک سو به دلیل کارایی موثر در عملیات و اثرات سوء کمتر در مقایسه با روش های شیمیایی و از طرف دیگر به علت هزینه های کمتر، بیشتر مورد توجه قرار گرفته است. نیروی مقاوم کششی ابزارهای مختلف خاک ورزی یک پارامتر مهم برای اندازه گیری و ارزیابی عملکرد ادوات برای تعیین میزان انرژی موردنیاز می باشد که پیش بینی این پارامتر می تواند در بسیاری از اهداف مدیریتی و همچنین پیش بینی انرژی موردنیاز و انتخاب تراکتور مناسب موثر واقع گردد. در این تحقیق اثر عمق، سرعت پیشروی و محتوی رطوبتی خاک، در عملیات کولتیواتورزنی بر روی نیروی مقاوم کششی، انرژی موردنیاز و میزان بهم خوردگی خاک توسط 5 نوع کولتیواتور بررسی شد. کولتیواتورهای مورد استفاده عبارت بودند از: 1- کولتیواتور با ساق?c شکل فنری و تیغه پنجه غازی، 2- کولتیواتور با سرعت پیشروی بالا، 3- کولتیواتور با ساق? c شکل فنری و تیغ? قلمی، 4- کولتیواتور هلالی و 5- کولتیواتور با ساق? l شکل غیر قابل انعطاف و تیغ? قلمی. آزمایشات مزرعه ای در خاک شنی لومی و در مزرعه آموزشی و تحقیقاتی دانشگاه محقق اردبیلی انجام شد. اندازه گیری نیروی مقاوم کششی کولتیواتورها با استفاده از دینامومتر اتصال سه نقطه و جمع آوری داده با استفاده از یک دیتالاگر مدل dt-800 و کامپیوتر کیفی متصل به آن انجام گرفت. آزمایشات در قالب طرح آماری فاکتوریل بر پایه بلوک های کامل تصادفی با سه تکرار انجام گردید. در این تحقیق برای اندازه گیری و تعیین عوامل موثر بر مقدار نیروی مقاوم کششی، انرژی و میزان بهم خوردگی خاک هر یک از کولتیواتورها، در آزمایش های مزرعه ای، از آزمایش فاکتوریل بر پایه طرح بلوک کامل تصادفی (rcdb) و با سه تکرار استفاده شد. در خاک مورد آزمایش، سطوح مختلف رطوبت (فاکتورa ) از 5 تا 16 درصد برای خاک های خشک و 17 تا 35 درصد برای خاک های مرطوب، سرعت پیشروی تراکتور (فاکتورb ) درچهار سطح، عمق کاری (فاکتورc ) در دو سطح 10، 20 سانتی متر انتخاب گردید و در داخل هر کرت آزمایشی صفات نیروی مقاوم کششی کولتیواتور، شاخص مخروطی خاک و درصد محتوی رطوبتی خاک اندازه گیری شد. نتایج تجزیه واریانس نشان داد که اثرات اصلی شرایط خاک، وسیله، سرعت و عمق کاری به طور مجزا بر روی میزان نیروی مقاوم کششی و انرژی موردنیاز کولتیواتور و نیز بر میزان بهم خوردگی خاک، معنی دار است (سطح احتمال 1%). به طوری که با افزایش سرعت پیشروی، عمق کاری و عرض تیغه میزان نیروی مقاوم کششی، انرژی و بهم خوردگی خاک 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 محتوی رطوبتی خاک در سرعت پیشروی، محتوی رطوبتی خاک در نوع وسیله، نوع وسیله در سرعت پیشروی، محتوی رطوبتی خاک در عمق کاری، نوع وسیله در عمق کاری، بر نیروی مقاوم کششی و انرژی موردنیاز نیز معنی دار می باشد (سطح احتمال 1%). اثر سرعت پیشروی در عمق کاری، بر نیروی مقاوم کششی و انرژی موردنیاز در سطح احتمال 5% معنی دار شد. همچنین اثرات متقابل دوتایی، محتوی رطوبتی خاک در نوع وسیله، محتوی رطوبتی خاک در عمق کاری، نوع وسیله در عمق کاری، بر مساحت پروفیل های ایجادشده توسط کولتیواتورها نیز معنی دار می باشد (سطح احتمال 1%). اثر محتوی رطوبتی خاک در سرعت پیشروی و نوع وسیله در سرعت پیشروی، بر مساحت پروفیل های ایجادشده توسط کولتیواتورها در سطح احتمال 5% معنی دار شد. در این تحقیق با توجه به توسعه، کاربرد و دقت بالای شبکه های عصبی مصنوعی در پیش بینی، از شبکه های عصبی مصنوعی به منظور پیش بینی نیروی مقاوم کششی کولتیواتور نوع قلمی استفاده شد. شبکه های طراحی شده در این تحقیق که به منظور پیش بینی نیروی مقاوم کششی کولتیواتور نوع قلمی 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 تابع تبدیل تانژانت سیگموئیدی، بین لایه های شبکه استفاده گردید. نتایج این تحقیق نشان داد که شبکه عصبی توسعه داده شده با دو لایه مخفی و با 24 نرون در لایه اول و 26 نرون در لایه دوم و با الگوریتم گرادیان نزولی مزدوج مقیاسی در مقایسه با سایر الگوریتم ها عملکرد بهتری دارد. میانگین دقت شبیه سازی 89% و همچنین ضریب همبستگی 9445/0 برای مدل توسعه داده شده در این تحقیق بدست آمد. مدل رگرسیونی در مقایسه با شبکه عصبی مصنوعی دارای دقت و ضریب همبستگی بسیار پایین تر برای پیش بینی نیروی مقاوم کششی در خاک مورد مطالعه بود.