با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه محقق اردبیلی

چکیده

ماشین‌های کشاورزی مختلف برای انجام عملیات کشاورزی باید از یک سر مزرعه روی مسیرهای موازی که کل سطح مزرعه را می‌پوشانند، حرکت کرده و به انتهای مزرعه برسند، شروع مسیر بعدی پس از دور زدن و از مسیر کناری، داخل مزرعه انجام خواهد شد. یکی از مشکلات اصلی الگوهای حرکت متداول در مزرعه، اتلاف زمانی دور زدن در انتهای مزرعه است که تأثیر شگرفی در کاهش بازده مزرعه‌ای خواهد داشت. الگوهای مرسوم مختلفی برای نحوه حرکت ماشین در مزرعه به‌کار گرفته می‌شود که از جمله می‌توان به الگوی تردد پیوسته، مارپیچ، دور تا دور و بلوک‌بندی اشاره کرد. تمام این الگوها در راستای کاهش مقدار مسافت غیرمفید طی شده هنگام دور زدن سر مزرعه ابداع شده‌اند. هدف از این پژوهش، کاهش مسافت غیرمفید طی‌شده توسط ماشین‌های کشاورزی، حین دور زدن در منطقه سرمزرعه برای حرکت از یک مسیر به مسیر بعدی با استفاده از الگوریتم ژنتیک و به تبع آن افزایش بازده مزرعه‌ای می‌باشد. در این مقاله با استفاده از الگوریتم ژنتیک، الگویی بهینه برای حرکت ماشین‌های کشاورزی در مزرعه مستطیلی‌شکل شبیه‌سازی و در نهایت این الگوی بهینه در قالب نمودار با الگوهای سنتی مقایسه شده است. پیروی از الگوی تردد بهینه به کمک الگوریتم هوشمند ژنتیکی با اجتناب از روش‌های دور زدن طولانی، باعث کاهش مسافت و زمان غیرمفید طی شده توسط ماشین‌های کشاورزی و افزایش بازده مزرعه‌ای آنها گردید. نتایج شبیه‌سازی نشان داد که الگوی بهینه قادر است به‌طور میانگین 45% در مسافت غیرمفید و 47% در زمان غیرمفید، صرفه‌جویی نماید.

کلیدواژه‌ها

1. Bakhtiari, A. A., H. Navid, J. Mehri, and D. D. Bochtis. 2011. Optimal route planning of agricultural field operations using ant colony optimization. Agricultural Engineering International: CIGR Journal 13 (4), Manuscript No.1939.
2. Bochtis, D. D., and S. G. Vougioukas. 2008. Minimising the non-working distance travelled by machines operating in a headland field pattern. Biosystem Engineering 101 (1): 1-12.
3. Bochtis, D. D., S. G. Vougioukas, H. W. Griepentrog, and N. A. Anderson. 2008. Effect of capacity constrates on the motion pattern of an autonomous orchard sprayer. In proceeding of agricultural and biosystems engineering for a sustainable world, EuAgEng, Crete, Greece. 8pp.
4. Bochtis, D. D., S. G. Vougioukas, and H. W. Griepentrog. 2009. A mission planner for an autonomous tractor, Transactions of ASABE, 52 (5): 1429-1440.
5. Bryant, K. 2000. Genetic algorithm and the traveling salesman problem. Department of mathematics. Hervey Mudd college. Claremont, California, United States.
6. Choset, H., and P. Pignon. 1997. Coverage path planning: The Boustrophedon cellular decomposition. International conference on field and service robotics. Canberra, Australia.
7. Jin, J., and L. Tang. 2010. Optimal coverage path planning for arable farming on 2D surfaces. Transactions of the ASABE 53 (1): 283-295.
8. Keicher, R., and H. Seufert. 2000. Automatic guidance for agricultural vehicles in Europe. Computers and Electronics in Agriculture 25: 169-194.
9. Mazidi, M., M. H. Abbaspour-Fard, and M. H. Aghkhani. 2014. Checking the guidance possibility of unmanned tractor based on wireless transmission of video image. Journal of Agricultural Machinery 4 (2): 166-175. (In Farsi).
10. Mesri Gundoshmian, T. 2016. Mechanization of agricultural industries (Strategies and approaches in biosystem industries ). University of Mohaghegh Ardabili Press, Ardabil, Iran.
11. Moghimi, A., M. H. Aghkhani, M. R. Golzarian, A. Rouhani, and Ce. Yang. 2015. A robo-vision algorithm for automatic harvesting of green bell pepper. ASABE annual international meeting, New Orleans, Louisiana.
12. Ryerson, A. E., and Q. Zhang. 2006. Vehicle path planning for complete field coverage using genetic algorithms. In proceedings of the automation technology for off-road equipment (ATOE) 2006 conference, Bonn, Germany (pp. 309–317).
13. Sivanandam, S. N., ans S. N. Deepa. 2008. Introduction to Genetic Algorithm. Publisher: Springer-Verlag. Berlin Heidelberg, Germany.