تعیین نقطه بهینه کاری برای بیشینه کردن بازده جداسازی کوبش آفتابگردان بر اساس مدل عصبی

نوع مقاله : مقاله پژوهشی لاتین

نویسندگان

• پدرام قیاسی ¹
• امین اله معصومی ¹
• عباس همت ¹
• غلامحسن نجفی ²

¹ گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران

² گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

https://doi.org/10.22067/jam.v10i1.76264

چکیده

برداشت آفتابگردان یکی از فرآیندهای مهم در زراعت آفتابگردان می‌باشد. آسیب دانه‌ای و بازده جداسازی کم از مشکلات برداشت آفتابگردان می‌باشند. در این مطالعه، سیلندر کوبنده با دندانه‌های لاستیکی و ضد کوبنده برای برداشت آفتابگردان طراحی و ساخته شد. سرعت سیلندر کوبنده، فضای کوبنده و رطوبت طبق آفتابگردان، پارامترهای مستقل در ارزیابی واحد کوبش تعیین شد. از رقم آفتابگردان آذر گل برای ارزیابی استفاده شد. آزمون‌ها در سه سطح سرعت سیلندر کوبند (280، 380 و 480 دور در دقیقه)، دو سطح فضای کوبنده (8 و 10 سانتی‌متر) و دو سطح رطوبت طبق آفتابگردان (20 و 45 بر اساس ماده تر) انتخاب شد. برای پیش‌بینی مقدار مواد جمع‌شده در هر بخش ضد کوبنده، شبکه عصبی مصنوعی ارائه شد. نتایج حاکی از آن است که دانه‌های آفتابگردان بدون آسیب توسط واحد کوبش، کوبیده می‌شود و مدل ارائه شده برای کوبش با ضریب همبستگی 99/0 می‌تواند مقدار مواد ریخته شده در هر بخش ضد کوبنده را پیش‌بینی کند. بر اساس مدل عصبی ارائه شده با کاهش رطوبت طبق آفتابگردان و فضای کوبنده و افزایش سرعت سیلندر کوبنده، بازده جداسازی واحد کوبش افزایش می‌یابد. نقطه بهینه کاری بر اساس مدل شبکه عصبی مصنوعی برای بیشینه کردن بازده جداسازی، رطوبت طبق آفتابگردان اساس ماده تر، سرعت سیلندر کوبنده 450 دور بر دقیقه و فضای کوبنده 5/10 سانتی‌متر تعیین شد.

کلیدواژه‌ها

• برداشت آفتابگردان
• مدل‌سازی کوبش
• واحد کوبش

20.1001.1.22286829.1399.10.1.7.3

Open Access

©2020 The author(s). This article is licensed under Creative Commons Attribution 4.0 International License (CC BY 4.0), which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source.

مراجع

1. El-khateeb, H., and M. I. Saad. 2008. Operating factors affecting using two different threshing machines for threshing sunflower heads. Agricultural Mechanization and Engineering 251-270.

2. Farokhi, E., A. Nabipor, and J. Daneshian. 2013. Guidelines sunflower production in different regions of the country. Agricultural and Natural Resource Research and Education Center. Tehran. Iran. (In Farsi).

3. Ghiasi, P., A. Masoumi, and A. Hemmat. 2016. Design, development, and evaluation of a threshing cylinder and concave for harvesting sunflower. The 10th national congresss on biosystems Eng. (Agr. Machinery). Mashhad, Iran. (In Farsi).

4. Giner, S. A., and M. C. Gely. 2005. Sorptional parameters of sunflower seeds of use in drying and storage stability studies. Biosystems Engineering 92: 217-227.

5. Griffin, G. A., and Deere and Company. 1981. Combine harvesting. Deere & Co.

6. Hiregoudar, S., R. Udhaykumar, K. T. Ramappa, B. Shreshta, V. Meda, and M. Anantachar. 2011. Artificial Neural Network for Assessment of Grain Losses for Paddy Combine Harvester a Novel Approach. Control, Computation and Information Systems 140: 221-231 Springer, Berlin, Heidelberg.

7. Inna, P. 2010. Agribusiness handbook: Sunflower refined and crude oils. FAO Investment Centre Division: 40-40.

8. KhajePor, M. 2012. Industrial plants. first edition. Isfahan University of Technology Publication Center. Isfahan. Iran. (In Farsi).

9. Lizhang, X., L. Yaoming, M. Zheng, Z. Zhan, and W. Chenghong. 2013. Theoretical analysis and finite element simulation of a rice kernel obliquely impacted by a threshing tooth. Biosystems Engineering 114: 146-156.

10. Mirzazadeh, A., Sh. Abdollahpour, A. Mahmoudi, and A. Ramazani. 2012. Intelligent modeling of material separation in combine harvester ’ s thresher by ANN. International Journal of Agriculture and Crop Sciences 23: 1767-1777. (In Farsi).

11. Miu, P. I., and H. D. Kutzbach. 2007. Mathematical model of material kinematics in an axial threshing unit. Computers and Electronics in Agriculture 58: 93-99.

12. Ning, X., J. Chen, Y. Li, K. Wang, Y. Wang, and X. Wang. 2015. Kinetic model of combine harvester threshing system and simulation and experiment of speed control. Nongye Gongcheng Xuebao/Transactions of the Chinese Society of Agricultural Engineering 31: 25-34.

13. Saeidirad, M., and A. Javadi. 2011. Study on machine-crop parameters of cylinder threshers for cumin threshing. Agricultural Engineering International: CIGR Journal 13.

14. Salari, K., R. Amiri Chayjan, J. Khazaei, and J. Amiri Parian. 2013. Optimization of Independent Parameters for Chickpea Threshing Using Response Surface Method (RSM). Journal of Agricultural Science and Technology 15: 467-477.

15. Schneiter, A. A., and J. F. Miller. 1981. Description of sunflower growth stages. Crop Science.

16. Shahgoli, G., H. GhafouriChyane, and M. Tarahom. 2018. Modeling of Soil Compaction Beneath the Tractor Tire using Multilayer Perceptron Neural Networks. Journal of Agricultural Machinery 8: 105-118. (In Farsi).

17. Sudajan, S., V. M. Salokhe, and K. Triratanasirichai. 2002. PM-Power and Machinery: effect of type of drum, drum speed and feed rate on sunflower threshing. Biosystems Engineering 83: 413-421.

18. Uno, Y., S. O. Prasher, R. Lacroix, P. K. Goel, Y. Karimi, A. Viau, and R. M. Patel. 2005. Artificial neural networks to predict corn yield from Compact Airborne Spectrographic Imager data. Computers and Electronics in Agriculture 47: 149-161.

19. Vejasit, A., and V. Salokhe. 2004. Machine-Crop Parameters Affecting Performance of an Axial-Flow Soya Bean Thresher. Agricultural Engineering International: The CIGR Journal of Scientific Research and Development, Manuscript PM 04, 004.

20. Zurada, J. M. 1992. Introduction to artificial neural systems. West.