رابطه ماشین و خاک
نشمیل فرهادی؛ عارف مردانی کرانی؛ عادل حسین پور؛ بهزاد گلعنبری
چکیده
پرداختن به چالش‌های وسایل نقلیه خارج از جاده در زمین‌های غیرمتعارف، مدل‌های پیش‌بینی بر پایه‌ی یادگیری ماشین را برای تعاملات چرخ و خاک ضروری میکند. علی‌رغم علاقه فزاینده به یادگیری ماشین برای مطالعات تعامل چرخ و خاک، پژوهش‌های محدودی بر روی استفاده از رویکردهای مبتنی بر شبکه‌های عصبی مصنوعی برای پیش‌بینی تشکیل شیار ناشی ...
بیشتر
پرداختن به چالش‌های وسایل نقلیه خارج از جاده در زمین‌های غیرمتعارف، مدل‌های پیش‌بینی بر پایه‌ی یادگیری ماشین را برای تعاملات چرخ و خاک ضروری میکند. علی‌رغم علاقه فزاینده به یادگیری ماشین برای مطالعات تعامل چرخ و خاک، پژوهش‌های محدودی بر روی استفاده از رویکردهای مبتنی بر شبکه‌های عصبی مصنوعی برای پیش‌بینی تشکیل شیار ناشی از چرخ متمرکز شده است. هدف اصلی پژوهش حاضر پیش‌بینی تأثیر تایرهای بادی کشاورزی تحت بارها، سرعت‌ها و عبورهای متعدد بر تشکیل شیارهای خاک در شرایط انباره‌ی خاک کنترل‌شده است. در این تحقیق شبکه‌های عصبی مصنوعی با الگوریتم پس‌انتشار، برای پیش‌بینی عمق شیار مورد استفاده قرار گرفت و مدل به‌دست‌آمده با داده‌های تجربی اعتبارسنجی شد. علاوه بر این، از روش آزمون-خطا برای بهینه‌سازی فراپارامترهای شبکه عصبی استفاده شد. پیکربندی بهینه برای شبکه پرسپترون چندلایه با تکانه 0.9 و نرخ یادگیری 0.35 به خطای جذر میانگین مربعات 0.10 دست یافت. شبکه عصبی تابع شعاعی پایه، با پهنای تابع گوسی برابر 3.90 و نرخ نرمال‌سازی برابر 0.02، جذر میانگین مربعات خطا برابر 0.12 را نشان داد. درحالی‌که شبکه پرسپترون چندلایه دقت بالایی را نشان داد، شبکه تابع شعاعی پایه هزینه‌های محاسباتی کم‌تر و زمان پاسخ‌دهی سریع‌تری را ارائه می‌دهد که آن را برای کاربردهای بلادرنگ مناسب می‌سازد. شبکه‌های عصبی بر روی داده‌های تجربی نادیده اعتبارسنجی شدند و قابلیت‌های قوی و تعمیم آن‌ها را تایید کردند.
فاطمه قشلاقی؛ عارف مردانی کرانی
چکیده
یکی از عمده‌ترین افت‌های انرژی زمانی‌که چرخ روی خاک نرم حرکت میکند، مقاومت غلتشی می‌باشد. بهینه‌سازی مقدار مقاومت غلتشی به بهبود بازده انرژی کمک خواهد کرد، مدل‌سازی دقیق برهم‌کنش خاک-تایر کلید اساسی برای این بهینه‌سازی است و نیاز به آزمایش‌های مزرعه‌ای پرهزینه را حذف کرده و زمان مورد نیاز آزمایش را کاهش می‌دهد. در این تحقیق ...
بیشتر
یکی از عمده‌ترین افت‌های انرژی زمانی‌که چرخ روی خاک نرم حرکت میکند، مقاومت غلتشی می‌باشد. بهینه‌سازی مقدار مقاومت غلتشی به بهبود بازده انرژی کمک خواهد کرد، مدل‌سازی دقیق برهم‌کنش خاک-تایر کلید اساسی برای این بهینه‌سازی است و نیاز به آزمایش‌های مزرعه‌ای پرهزینه را حذف کرده و زمان مورد نیاز آزمایش را کاهش می‌دهد. در این تحقیق جهت پیش‌بینی مقاومت غلتشی چرخ غیر محرک با در نظرگرفتن برخی پارامترهای حرکتی مانند فشار باد تایر، سرعت پیشروی و بار عمودی متغیر روی چرخ که با استفاده از یک آزمونگر تک چرخ در انباره خاک صورت گرفت، از شبکه عصبی مصنوعی استفاده شد. شبکه پس انتشار برگشتی با 35 نرون در لایه پنهان و 1 نرون در لایه خروجی و الگوریتم آموزشی لونبرگ-مارکوارت بهترین عملکرد را نشان داد. ضریب همبستگی آزمون شبکه مزبور 0/92 بوده است. نتایج شبیهسازی شبکه عصبی عدم وابستگی مقاومت غلتشی چرخ به پارامتر سرعت پیشروی را نشان داد و تأیید کرد که با افزایش فشار باد تایر و کاهش بار عمودی روی چرخ مقاومت غلتشی کاهش خواهد یافت.
