رابطه ماشین و خاک
بهزاد گلعنبری؛ عارف مردانی کرانی؛ عادل حسین پور؛ حمید تقوی فر
چکیده
با توجه به متغیرهای متعددی که بر سیستم‌های اندرکنش خاک و ماشین تأثیرگذار هستند، پیش‌بینی پاسخ مکانیکی خاک در تعامل با دستگاه‌های کششی خارج از جاده چالش برانگیز است. در این مطالعه، شبکه‌های عصبی عمیق به دلیل توانایی آن‌ها در مدل‌سازی سیستم‌های پیچیده، چندمتغیره و دینامیک به‌عنوان یک راه‌حل بالقوه برای توضیح میزان فرورفتگی خاک ...
بیشتر
با توجه به متغیرهای متعددی که بر سیستم‌های اندرکنش خاک و ماشین تأثیرگذار هستند، پیش‌بینی پاسخ مکانیکی خاک در تعامل با دستگاه‌های کششی خارج از جاده چالش برانگیز است. در این مطالعه، شبکه‌های عصبی عمیق به دلیل توانایی آن‌ها در مدل‌سازی سیستم‌های پیچیده، چندمتغیره و دینامیک به‌عنوان یک راه‌حل بالقوه برای توضیح میزان فرورفتگی خاک در نرخ‌های مختلف از بار عمودی انتخاب شد. آزمایش‌های فشار-نشست خاک با استفاده از بوامتر در یک انباره خاک از نوع ثابت با طول 24 متر، عرض 2 متر و کانال خاک عمق 1 متر انجام شد. آزمایش‌های تجربی در سه سطح سرعت نشست، دو سطح اندازه صفحه، در محتوای آب خاک 10 درصد انجام شد که داده‌های تجربی در مورد روابط فشار و نشست خاک ارائه می‌کرد. این آزمایش‌ها به‌عنوان مبنایی برای الگوریتمی بود که قادر به تشخیص تعامل بین خاک ماشین پس از یک فرآیند تکراری دقیق بود. مشخص شد که یک شبکه عصبی عمیق، به‌ویژه یک شبکه عصبی عمیق با انتشار پیش‌خور با سه لایه پنهان، انتخاب بهینه برای این منظور است. معماری شبکه عصبی عمیق بهینه‌شده به‌صورت 1-10-15-8-3 شکل یافت که توسط الگوریتم بهینه‌سازی گرگ خاکستری تعیین شده است. در حالی‌که معادله بکر به‌طور سنتی به‌عنوان یک روش پذیرفته‌شده برای پیش‌بینی رفتار فشار- نشست خاک استفاده می‌شود، تأثیر سرعت نشست در خاک را نادیده می‌گرفت. با این حال، یافته‌های تحقیق تأثیر قابل‌توجهی از سرعت نشست بر پارامترهای حاکم بر پاسخ تغییر شکل خاک را نشان داد. شبکه عصبی عمیق آموزش‌دیده با موفقیت سرعت نشست را در ساختار خود گنجاند و نتایج دقیقی با مقدار میانگین مربعات خطای 0.0871 ارائه کرد.
محمد اسکندری؛ عادل حسین پور
چکیده
طیف وسیعی از فعالیت های مهم کشاورزی از جمله تیمار آفت کش ها، آبیاری، کود و هرس درختان تا حد زیادی به خواص هندسی تاج پوشش درختان بستگی دارد. تحقیقات زیادی در زمینه استفاده از حسگرهای فراصوتی جهت تخمین حجم تاج پوشش درختان انجام شده است. این تحقیق به بررسی استفاده از روش های نرم افزاری از جمله شبکه های عصبی مصنوعی به‌منظور بهبود خطای ...
بیشتر
طیف وسیعی از فعالیت های مهم کشاورزی از جمله تیمار آفت کش ها، آبیاری، کود و هرس درختان تا حد زیادی به خواص هندسی تاج پوشش درختان بستگی دارد. تحقیقات زیادی در زمینه استفاده از حسگرهای فراصوتی جهت تخمین حجم تاج پوشش درختان انجام شده است. این تحقیق به بررسی استفاده از روش های نرم افزاری از جمله شبکه های عصبی مصنوعی به‌منظور بهبود خطای تخمین حجم تاج پوشش درختان به‌کمک حسگرهای فراصوتی می پردازد. برای این منظور یک سیستم آزمایشگاهی مخصوصی طراحی و ساخته شد. این سیستم دارای سه عدد حسگر فراصوتی است که به‌صورت عمودی با فاصله های 60 سانتی متری بر روی یک دکل چوبی نصب شده است. با حرکت دکل چوبی حسگرهای فراصوتی ضخامت نقاط مختلف تاج پوشش درخت را با نرخ نمونه برداری 4 هرتز اندازه گیری می کنند. آزمایش ها در سه سطح سرعت 35، 45 و 55 سانتی متر بر ثانیه در سه تکرار و در چهار وضعیت در زوایای 90 درجه برای 5 نمونه درخت فیکوس بنجامین انجام شد. پس از عبور کامل حسگرهای فراصوتی از مقابل تاج پوشش درخت مشخصاتی همچون قطر، میانگین عرض و ارتفاع تاج پوشش درخت در سه ارتفاع متناظر با حسگرهای فراصوتی به‌عنوان ورودی شبکه‌های عصبی و حجم دستی تاج پوشش به‌عنوان خروجی شبکه های عصبی در نظر گرفته شد. نتایج نشان داد که مدل شبکه عصبی بهینه برای تخمین دارای ساختار 1-7-16-13 می باشد. میزان RMSE شبکه عصبی انتخاب شده 039278/0 مترمکعب می باشد.
