پیش‌بینی عمق شیارایجادشده توسط چرخ بر روی خاک با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

نشمیل فرهادی

عارف مردانی کرانی

عادل حسین پور

بهزاد گلعنبری

گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران

https://doi.org/10.22067/jam.2024.90273.1295

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 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.

کلیدواژه‌ها

انباره‌ی خاک

بار عمودی

ترامکانیک

سرعت وسیله نقلیه

عبور چندگانه

موضوعات

• کشاورزی دیجیتال، هوشمند و دقیق

---

©2025 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Calleja-Huerta, A., Lamandé, M., Green, O., & Munkholm, L. J. (2023). Impacts of load and repeated wheeling from a lightweight autonomous field robot on the physical properties of a loamy sand soil. Soil and Tillage Research, 233, 105791. https://doi.org/10.1016/j.still.2023.105791
2. Cambi, M., Certini, G., Neri, F., & Marchi, E. (2015). The impact of heavy traffic on forest soils: A review. Forest Ecology and Management, 338, 124-138. https://doi.org/10.1016/j.foreco.2014.11.022
3. Champati, B. B., Padhiari, B. M., Ray, A., Jena, S., Sahoo, A., Mohanty, S., Patnaik, J., Naik, P. K., Panda, P. C., & Nayak, S. (2023). Implementation of multilayer perceptron (MLP) and radial basis function (RBF) neural networks for predicting Shatavarin IV content in Asparagus racemosus accessions. Industrial Crops and Products, 191, 115968. https://doi.org/10.1016/j.indcrop.2022.115968
4. Golanbari, B., & Mardani, A. (2024). An analytical model for stress estimation at the soil-tire interface using the dynamic contact length. Journal of Terramechanics, 111, 1-7. https://doi.org/10.1016/j.jterra.2023.08.006
5. Golanbari, B., Mardani, A., Farhadi, N., & Reina, G. (2024). Machine learning applications in off-road vehicles interaction with terrain: An overview. Journal of Terramechanics, 116, 101003. https://doi.org/10.1016/j.jterra.2024.101003
6. Golanbari, B., Mardani, A., Hosainpour, A., & Taghavifar, H. (2024). Modeling Soil Deformation for Off-Road Vehicles Using Deep Learning Optimized by Grey Wolf Algorithm. Journal of Agricultural Machinery, 14(1), 69-82. https://doi.org/10.22067/jam.2023.84339.1188
7. Golanbari, B., Mardani, A., Hosainpour, A., & Taghavifar, H. (2025). Predicting terrain deformation patterns in off-road vehicle-soil interactions using TRR algorithm. Journal of Terramechanics, 117, 101021. https://doi.org/10.1016/j.jterra.2024.101021
8. Kashaninejad, M., Dehghani, A. A., & Kashiri, M. (2009). Modeling of wheat soaking using two artificial neural networks (MLP and RBF). Journal of Food Engineering, 91(4), 602-607. https://doi.org/10.1016/j.jfoodeng.2008.10.012
9. Liu, K., Ayers, P., Howard, H., & Anderson, A. (2010). Influence of soil and vehicle parameters on soil rut formation. Journal of Terramechanics, 47(3), 143-150. https://doi.org/10.1016/j.jterra.2009.09.001
10. Machuga, O., Shchupak, A., Styranivskiy, O., Krilek, J., Helexa, M., Kováč, J., Kuvik, T., Mancel, V., & Findura, P. (2023). Field and Laboratory Research of the Rut Development Process on Forest Roads. Forests, 15(1), 74. https://doi.org/10.3390/f15010074
11. Mardani, A. (2014). On-the-move monitoring of tire rut depth on deformable soil using an instrumented inclinometer. Transactions of the ASABE, 57(5), 1291-1295. https://doi.org/10.13031/trans.57.10563
12. Mardani, A., & Golanbari, B. (2024). Indoor measurement and analysis on soil-traction device interaction using a soil bin. Scientific Reports, 14(1), 10077. https://doi.org/10.1038/s41598-024-59800-2
13. Pentoś, K., & Pieczarka, K. (2017). Applying an artificial neural network approach to the analysis of tractive properties in changing soil conditions. Soil and Tillage Research, 165, 113-120. https://doi.org/10.1016/j.still.2016.08.005
14. Sadeghi, S., Solgi, A., & Tsioras, P. A. (2022). Effects of traffic intensity and travel speed on forest soil disturbance at different soil moisture conditions. International Journal of Forest Engineering, 33(2), 146-154. https://doi.org/10.1080/14942119.2022.2055442
15. Tabatabaekoloor, R. (2016). Field evaluation of soil sinkage under different moisture content, traffic and loading rate. International Conference on Agricultural Engineering, CIGR- AgEng 2016, Aarhus, Denmark, 26- 29 June.
16. Taghavifar, H., & Mardani, A. (2014). Effect of velocity, wheel load and multipass on soil compaction. Journal of the Saudi Society of Agricultural Sciences, 13(1), 57-66. https://doi.org/10.1016/j.jssas.2013.01.004
17. Toivio, J., Helmisaari, H. S., Palviainen, M., Lindeman, H., Ala-Ilomäki, J., Sirén, M., & Uusitalo, J. (2017). Impacts of timber forwarding on physical properties of forest soils in southern Finland. Forest Ecology and Management, 405, 22-30. https://doi.org/10.1016/j.foreco.2017.09.022
18. Vennik, K., Keller, T., Kukk, P., Krebstein, K., & Reintam, E. (2017). Soil rut depth prediction based on soil strength measurements on typical Estonian soils. Biosystems Engineering, 163, 78-86. https://doi.org/10.1016/j.biosystemseng.2017.08.016
19. Vennik, K., Kukk, P., Krebstein, K., Reintam, E., & Keller, T. (2019). Measurements and simulations of rut depth due to single and multiple passes of a military vehicle on different soil types. Soil and Tillage Research, 186, 120-127. https://doi.org/10.1016/j.still.2018.10.011