رضا صدقی؛ یوسف عباسپور گیلانده
چکیده
ایجاد ساختمان مناسب برای خاک به منظور رشد محصول از اهمیت زیادی برخوردار است و یکی از مشخصه های اصلی ساختمان خاک، اندازه خاک دانه‌ها می باشد. راه های مختلفی جهت نشان دادن وضعیت پایداری خاک دانه‌ها وجود دارد که از متداول ترین آنها می توان به تعیین میانگین وزنی قطر خاک دانه ها اشاره کرد. در این مقاله از روش سیستم استنتاج فازی بر پایه شبکه ...
بیشتر
ایجاد ساختمان مناسب برای خاک به منظور رشد محصول از اهمیت زیادی برخوردار است و یکی از مشخصه های اصلی ساختمان خاک، اندازه خاک دانه‌ها می باشد. راه های مختلفی جهت نشان دادن وضعیت پایداری خاک دانه‌ها وجود دارد که از متداول ترین آنها می توان به تعیین میانگین وزنی قطر خاک دانه ها اشاره کرد. در این مقاله از روش سیستم استنتاج فازی بر پایه شبکه عصبی تطبیقی (ANFIS) برای توصیف میزان خرد شدن خاک در ترکیب ادوات خاک ورزی اولیه و ثانویه شامل زیرشکن، گاوآهن برگرداندار و دیسک ثانویه به منظور تهیه زمین برای کاشت محصولات زراعی استفاده شد. سیستم استنتاج فازی- عصبی تطبیقی روش مناسبی برای حل مسائل غیرخطی است. ANFIS ترکیبی از روش استنتاج فازی (FIS) و شبکه عصبی مصنوعی (ANN) است که از توانایی هر دو مدل بهره می برد. در این تحقیق، ورودی های مدل شامل محتوی رطوبتی خاک، سرعت پیشروی تراکتور و لایه های عمقی شخم بود. برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (RMSE)، درصد خطای نسبی (ε)، میانگین خطای مطلق (MAE) و ضریب تبیین (R2) استفاده شد که به ترتیب 135/0، 6/3%، 122/0 و 981/0 به دست آمد. به-منظور ارزیابی مدل ANFIS، داده های به دست آمده از این مدل با داده های مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. مقایسه نتایج به-دست آمده از مدل فازی- عصبی و شبکه عصبی مصنوعی نشان داد که مدل ANFIS داده های نزدیک‌تری به داده های واقعی در مقایسه با مدل شبکه عصبی مصنوعی ارائه کرد.
یوسف عباسپور گیلانده؛ رضا صدقی
چکیده
در این تحقیق از سیستم مبتنی بر دانش یا قواعد داده‌های آزمایشی و با استفاده از منطق فازی به منظور پیش‌بینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات خاک ورزی استفاده شده است. در مقایسه با روش‌های سنتی (رگرسیونی)، منطق فازی در ایجاد ارتباط بین ورودی‌های چندگانه به یک سیگنال خروجی در دامنه غیرخطی بسیار مؤثرتر عمل می‌کند. آزمایش‌ها ...
بیشتر
در این تحقیق از سیستم مبتنی بر دانش یا قواعد داده‌های آزمایشی و با استفاده از منطق فازی به منظور پیش‌بینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات خاک ورزی استفاده شده است. در مقایسه با روش‌های سنتی (رگرسیونی)، منطق فازی در ایجاد ارتباط بین ورودی‌های چندگانه به یک سیگنال خروجی در دامنه غیرخطی بسیار مؤثرتر عمل می‌کند. آزمایش‌ها به منظور جمع‌آوری داده‌های مورد نیاز در خاک با بافت شنی‌لومی در مرکز تحقیقات و ترویج دانشگاه کلمسون در نزدیکی شهر بلک ویل ایالت کارولینای جنوبی آمریکا ("21 ˚33 شمالی و "18 ˚81 غربی) انجام شد. در این مقاله، از یک مدل هوشمند، بر اساس رویکرد اصول مدل فازی ممدانی استفاده شد. این مدل فازی شامل 25 قانون می‌باشد. در این تحقیق، استنتاج ماکسیمم- مینیمم ممدانی برای استنتاج مکانیزم (ترکیب قواعد با ورودی فازی) و روش غیر فازی ساز مرکز ثقل برای غیر فازی سازی (تبدیل خروجی نهایی سیستم به یک عدد کلاسیک) مورد استفاده قرار گرفت. اعتبار مدل ارائه شده از طریق معیار خطای عددی مبتنی بر داده‌های تجربی به دست آمد. نتایج پیش‌بینی با استفاده از مدل فازی مقادیر بسیار نزدیکی را بین مقادیر اندازه‌گیری شده و مقادیر پیش‌بینی شده نشان داد. به طوری که میانگین خطای نسبی مقادیر اندازه‌گیری شده و پیش‌بینی شده با استفاده از مدل فازی 1/3% برای نیروی مقاوم کششی و 94/2% برای انرژی مورد نیاز عملیات زیرشکنی به دست آمد. مقایسه نتایج به دست آمده از مدل فازی و مدل رگرسیونی به منظور پیش‌بینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات زیرشکنی نشان داد میانگین خطاهای نسبی در مدل‌های رگرسیونی بزرگتر از مدل پیش‌بینی فازی می‌باشد.
