با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه محقق اردبیلی

چکیده

یکی از مخرب‌ترین آثار تردد ماشین در مزرعه ایجاد تراکم در خاک‌های کشاورزی است. تراکم خاک‌های کشاورزی موجب افزایش مقاومت مکانیکی خاک، کاهش ریشه دوانی گیاه و نهایتاً کاهش عملکرد محصول می‌شود. مدل‌سازی سیستم‌های اکولوژیک توسط روش‌های متداول مدل‌سازی، به‌دلیل ماهیت پیچیده آنها در صورت امکان نیز بسیار مشکل است. سیستم‌های هوش مصنوعی و محاسبات نرم به‌واسطه سادگی و دقت بالا با یک‌بار تعریف یا آموزش بسیار مورد توجه هستند. هدف از انجام این تحقیق مدل‌سازی سیستم تراکم خاک تحت تأثیر رطوبت خاک، سرعت پیشروی ماشین و عمق خاک توسط شبکه‌های عصبی مصنوعی پرسپترون چندلایه بود. در این پژوهش، رطوبت خاک در پنج سطح 11%، 13/5%، 16%، 19% و 22%، میانگین سرعت پیشروی ماشین در پنج سطح 1، 2، 3، 4 و 5 کیلومتر بر ساعت و عمق‌های مختلف خاک در سطوح 20، 25، 30، 35 و 40 سانتی‌متر در نظر گرفته شد. داده‌های تجربی در مزرعه تحقیقاتی دانشگاه محقق اردبیلی به‌صورت آزمایش فاکتوریل در قالب طرح بلوک‌های کامل تصادفی در پنج سطح رطوبت، سرعت پیشروی و عمق خاک در سه تکرار به‌دست آمدند. شبکه عصبی پرسپترون با پنج نرون در لایه پنهان با تابع انتقال سیگموییدی و تابع انتقال خطی برای نرون خروجی برای مدل‌سازی طراحی و آموزش داده شد. مقایسه نتایج مدل و نتایج تجربی نشان‌دهنده ضریب تبیین 0/99 =R2 بین این مقادیر بود. مقدار میانگین مربعات خطای مدل و درصد میانگین مطلق خطای سیستم به‌ترتیب برابر 0/17 و 0/29 درصد به‌دست آمدند که نشان از دقت بالای مدل شبکه عصبی در تخمین مقادیر تراکم خاک دارد.

کلیدواژه‌ها

1. Akker, J., J. H. Van den, and A. Canarache. 2001. Two European concerted actions on subsoil compaction. Landnutz Und Landentwickl, 42 (1): 15-22.
2. Allmaras, R., V. A. Fritz, F. L. Pfleger, and S. M. Copeland, 1998. Common root rot of pea (Pisum sativum L.): oat pre-crop and traffic compaction effects in fine-textured mollisols. In Root Demographics and Their Efficiencies in Sustainable Agriculture, Grasslands and Forest Ecosystems (pp. 285–294). Springer.
3. Anderson, J. A., and E. Rosenfeld. 1990. Neurocomputing (Vol. 2). MIT press
4. Balbuena, R. H., A. M. Terminiello, J. A. Claverie, J. P. Casado, and R. Marlats. 2000. Soil compaction by forestry harvester operation: evolution of physical properties. Revista Brasileira de Engenharia Agricola E Ambiental 4 (3): 453-459.
5. Battiti, R. 1992. First-and second-order methods for learning: between steepest descent and Newton’s method. Neural Computation 4 (2): 141-166.
6. Beale, M. H., M. T. Hagan, and H. B. Demuth. 2010. Neural Network Toolbox 7. User’s Guide, MathWorks.
7. Benjamin, J. R., and C. A. Cornell. 2014. Probability, statistics, and decision for civil engineers. Courier Dover Publications.
8. Boghosial, A. 2006. Predicting consumption of petroleum products: Compare econometric equation systems and neural networks (In Persian). Energy Economics Studies 3 (3): 47-67.
9. Bouwman, L. A., and W. Arts. 2000. Effects of soil compaction on the relationships between nematodes, grass production and soil physical properties. Applied Soil Ecology 14 (3): 213-222.
10. Carder, J., and J. Grasby. 1986. A framework for regional soil conservation treatments in the medium and low rainfall agricultural district. Department of Agriculture, PP. 128.
11. Carman, K. 1994. Tractor forward velocityand tire load effects on soil compaction. Journal of Terrramechanics 31 (1): 11-20.
12. Demuth, H., and M. Beale. 1993. Neural network toolbox for use with MATLAB. The MathWorks Inc., 840p.
13. Engelbrecht, A. P. 2007. Computational intelligence: an introduction. John Wiley & Sons, 650p.
14. Ferrara, C., P. M. Barone, and L. Salvati. 2015. Toward a socieconomic profile for areas vulnerable to soil compaction? A case study in Mediterranean country, Geoderma, 247-248, 97-107.
15. Flowers, M., and R. Lal. 1998. Axle load and tillage effects on soil physical properties and soybean grain yield on a mollic ochraqualf in northwest Ohio. Soil and Tillage Research 48 (1): 21-35.
16. Geshlaghi, F., and A. Mardani. 2015. Predicting the wheel rolling resistance regarding important motion parameters using the artificial neural network. Journal of Agricultural Machinery 6 (1): 259-270. (In Farsi).
17. Günaydın, O. 2009. Estimation of soil compaction parameters by using statistical analyses and artificial neural networks. Environmental Geology 57 (1): 203-215.
18. Hagan, M. T., H. B. Demuth, and M. H. Beale, 1996. Neural network design (Vol. 1). Pws Boston, 1012p.
19. Hamza, M. A., and W. K. Anderson. 2005. Soil compaction in cropping systems: a review of the nature, causes and possible solutions. Soil and Tillage Research 82 (2): 121-145.
20. Haykin, S., and N. Network. 2004. A comprehensive foundation. Neural Networks, Second Edition, McMaster University Hamilton, Ontarion, Canada, 823p.
21. Hecht-Nielsen, R. 1987. Kolmogorov’s mapping neural network existence theorem. In Proceedings of the international conference on Neural Networks (Vol. 3, pp. 11–14). New York: IEEE Press.
22. Hewitson, B. C., and R. G. Crane. 1994. Neural Nets: Applications in Geography. Kluwer Academic Publishers, Dordrecht.
23. Johari, A., A. Javadi, and G. Habibagahi, 2011. Modelling the mechanical behaviour of unsaturated soils using a genetic algorithm-based neural network. Computers and Geotechnics 38 (1): 2-13.
24. Lam, D., and C. Pupp. 1993. Expert system and modeling for state of environment reporting. In 2nd International Conference on Integrating GIS and Environmental Modeling (pp. 26-30).
25. Levine, E. R., D. S. Kimes, and V. G. Sigillito. 1996. Classifying soil structure using neural networks. Ecological Modelling 92 (1): 101-108.
26. Mason, E. G., A. W. J. Cullen, and W. C. Rijkse. 1988. Growth of two Pinus radiata stock types on ripped and ripped/bedded plots at Karioi forest. New Zealand Journal of Forestry Science 18 (3): 287-296.
27. McClelland, J. L., and D. E. Rumelhart, 1989. Explorations in parallel distributed processing: A handbook of models, programs, and exercises. MIT press, 333p.
28. Medvedev, V. V., and W. G. Cybulko. 1995. Soil criteria for assessing the maximum permissible ground pressure of agricultural vehicles on Chernozem soils. Soil and Tillage Research 36 (3): 153-164.
29. Menhaj, M. 2005. Fundamentals of Neural Networks (third edit). Amirkabir University Press, 715p. (In Farsi).
30. Minasny, B., A. B. McBratney, and K. L. Bristow. 1999. Comparison of different approaches to the development of pedotransfer functions for water-retention curves. Geoderma 93 (3): 225-253.
31. Navabian, M., A. M. Liaghat, and M. Homayi. 2004. Neural network for fast estimation of saturated hydraulic conductivity. Prediction of Electrical conductivity with neural networks. The second National water and soil conference, Tehran, Iran.
32. Kondo, M. K., and D. Junior, 1999. Soil compressibility of three latosols (oxisols) as a function of moisture and use. Revista Brasileira de Ciencia Do Solo 23 (2): 211-218.
33. Onwubolu, G. 2009. Hybrid Computational Intelligence and GMDH Systems. In Hybrid Self-Organizing Modeling Systems (pp. 1–26). Springer.
34. Panayiotopoulos, K. P., C. P. Papadopoulou, and A. Hatjiioannidou. 1994. Compaction and penetration resistance of an Alfisol and Entisol and their influence on root growth of maize seedlings. Soil and Tillage Research 31 (4): 323-337.
35. Raper, R. L. 2005. Agricultural traffic impacts on soil. Journal of Terramechanics 42 (3-4): 259-280.
36. Schaap, M. G., F. J. Leij, and M. T. van Genuchten. 1998. Neural network analysis for hierarchical prediction of soil hydraulic properties. Soil Science Society of America Journal 62 (4): 847-855.
37. Tardieu, F. 1994. Growth and functioning of roots and of root systems subjected to soil compaction. Towards a system with multiple signaling. Soil and Tillage Research 30 (2): 217-243.
38. Taylor, S. A., and G. L. Ashcroft. 1972. Physical edaphology. The physics of irrigated and nonirrigated soils. San Francisco, 533p.
39. Vomocil, J. A., E. R. Fountaine, and Reginato. 1958. The influence of speed and drawbar load on the compacting effect of wheeled tractors. Soil Science Society of America 22 (2): 178-180.