مدل‌سازی نفوذ صفحه در مدل خاک بکر با استفاده از یادگیری ماشین برای وسایل نقلیه خارج از جاده

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

• اکبر نظری چمکی
• عارف مردانی کرانی
• عادل حسین پور

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

https://doi.org/10.22067/jam.2025.93736.1386

چکیده

مطالعه رفتار خاک در تعامل چرخ با خاک به دلیل هندسه چرخ و شرایط متغیر خاک پیچیده است. اندازه‌گیری‌های سنتی پارامترهای خاک، مانند بوامتر و نفوذسنج مخروطی، زمان‌بر و پرزحمت هستند. این تحقیق یک رویکرد مبتنی بر یادگیری ماشین برای پیش‌بینی فرونشست خاک در آزمایش‌های نفوذ صفحه ارائه می‌دهد و جایگزین مناسبی برای روش‌های مرسوم ارائه می‌دهد. از یک انباره خاک با شرایط آزمایشگاهی کنترل‌شده برای جمع‌آوری داده‌ها استفاده شد. مقدار نیرو در هر لحظه توسط یک حسگر اندازه‌گیری بار و میزان فرورفتگی توسط یک خط‌کش دیجیتال با سرعت نفوذ ثابت 4 میلی‌متر بر ثانیه ثبت شد. دو مدل اصلی یادگیری ماشین، XGBoost و CatBoost، انتخاب شدند. نسخه‌های ترکیبی این مدل‌ها با استفاده از الگوریتم بهینه‌سازی پرنده شرایک (SBOA) توسعه داده شدند. نتایج نشان داد که مدل‌های ترکیبی از مدل‌های پایه بهتر عمل می‌کنند. مدل ترکیبی SBOA-CatBoost با ضریب تعیین 0.99، میانگین مربعات خطا 2.81 و میانگین مطلق خطا 0.79، بالاترین دقت را در داده‌های آموزشی به‌دست آورد. یافته‌های این مطالعه، پتانسیل یادگیری ماشین را به‌عنوان جایگزینی مقرون به‌صرفه و کارآمد برای روش‌های سنتی اندازه‌گیری پارامترهای خاک برجسته می‌کند. تحقیقات بیشتر برای اعتبارسنجی این مدل‌ها در انواع و شرایط مختلف خاک توصیه می‌شود.

کلیدواژه‌ها

• الگوریتم بهینه‌سازی پرنده شرایک
• بوامتر
• ترامکانیک
• مخزن خاک
• CatBoost
• GBoost

موضوعات

• مدل‌سازی

مراجع

1. Ani, O. A., Uzoejinwa, B. B., Ezeama, A. O., Onwualu, A. P., Ugwu, S. N., & Ohagwu, C. J. (2018). Overview of soil-machine interaction studies in soil bins. Soil and Tillage Research, 175, 13-27. https://doi.org/10.1016/j.still.2017.08.002
2. Bekker, M. G. (1969). Off-Road Locomotion. Ordnance, 53(292), 416-418. Retrieved from http://www.jstor.org/stable/45361962
3. Bentéjac, C., Csörgő, A., & Martínez-Muñoz, G. (2021). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54(3), 1937-1967. https://doi.org/10.1007/s10462-020-09896-5
4. Brunskill, C., Patel, N., Gouache, T. P., Scott, G. P., Saaj, C. M., Matthews, M., & Cui, L. (2011). Characterisation of martian soil simulants for the ExoMars rover testbed. Journal of Terramechanics, 48(6), 419-438. https://doi.org/10.1016/j.jterra.2011.10.001
5. Carman, K. (2002). Compaction characteristics of towed wheels on clay loam in a soil bin. Soil and Tillage Research, 65(1), 37-43.
6. Chou, C. C., Zhu, F., Skelton, P., Wagner, C., & Yang, K. (2011). Numerical simulations of tyre/soil interaction using geomaterial properties characterised with a new calibration method. International Journal of Vehicle Safety, 5(4), 287-306. https://doi.org/10.1504/IJVS.2011.045784
7. De Janosi, P. E. (1959). Factors influencing the demand for new automobiles. Journal of Marketing, 23(4), 412-418. https://doi.org/10.1177/002224295902300408
8. Golanbari, Behzad, & Mardani, A. (2023). Analytical Traction Force Model Development for Soil-Tire Interaction: Incorporating Dynamic Contact Area and Parameter Analysis Using Taguchi Method. Biomechanism and Bioenergy Research, 2(2), 56-64. https://doi.org/22103/bbr.2023.22356.1059
9. 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
10. Golanbari, B., Mardani, A., Farhadi, N., & Nazari Chamki, A. (2025). Applications of machine learning in predicting rut depth in off-road environments. Scientific Reports, 15(1), 5486. https://doi.org/10.1038/s41598-025-90054-8
11. 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
12. Golanbari, B., Mardani, A., Hosainpour, A., & Taghavifar, H. (2023). 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
13. 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
14. Huang, Z.-K., Zhang, D.-M., & Xie, X.-C. (2022). A practical ANN model for predicting the excavation-induced tunnel horizontal displacement in soft soils. Underground Space, 7(2), 278-293. https://doi.org/10.1016/j.undsp.2021.07.009
15. Kim, J.-T., Im, D.-U., Choi, H.-J., Oh, J.-W., & Park, Y.-J. (2021). Development and performance evaluation of a bevameter for measuring soil strength. Sensors, 21(4), 1541. https://doi.org/10.3390/s21041541
16. Laughery, S., Gerhart, G., & Muench, P. (2000). Evaluating Vehicle Mobility Using Bekker’s Equations. Tacom Research Development and Engineering Center Warren Mi.
17. 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
18. Mason, G. L., Salmon, J. E., McLeod, S., Jayakumar, P., Cole, M. P., & Smith, W. (2020). An overview of methods to convert cone index to bevameter parameters. Journal of Terramechanics, 87, 1-9. https://doi.org/10.1016/j.jterra.2019.10.001
19. Negrut, D., Hu, W., Li, P., Unjhawala, H. M., & Serban, R. (2023). Calibration of an expeditious terramechanics model using a higher-fidelity model, Bayesian inference, and a virtual bevameter test. https://doi.org/10.1002/rob.22276
20. Rashidi, M., & Gholami, M. (2010). Prediction of soil sinkage by multiple loadings using the finite element method.
21. Taghavifar, H., & Mardani, A. (2014a). 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
22. Taghavifar, H., & Mardani, A. (2014b). Wavelet neural network applied for prognostication of contact pressure between soil and driving wheel. Information Processing in Agriculture, 1(1), 51-56. https://doi.org/10.1016/j.inpa.2014.05.002
23. Taghavifar, H., & Mardani, A. (2017). Off-road vehicle dynamics. Studies in Systems, Decision and Control, 70, 37. https://doi.org/10.1007/978-3-319-42520-7
24. Taghavifar, H., Mardani, A., & Karim-Maslak, H. (2014). Multi-criteria optimization model to investigate the energy waste of off-road vehicles utilizing soil bin facility. Energy, 73, 762-770. https://doi.org/10.1016/j.energy.2014.06.081
25. Thornton, B., Pesheck, E., & Jayakumar, P. (2023). A Combined Simple/Complex Terramechanics Representation Part 1: Using Machine Learning to Identify DEM Soil Properties From Bevameter Test Data. In International Design Engineering Technical Conferences and Computers and Information in Engineering Conference (Vol. 87387, p. V010T10A019). American Society of Mechanical Engineers. https://doi.org/10.1115/DETC2023-117123
26. Van, N. N., Matsuo, T., Koumoto, T., & Inaba, S. (2008). Experimental device for measuring sandy soil sinkage parameters. Bulletin of the Faculty of Agriculture Saga University, 93(1), 91-99.
27. Wong, J. Y. (1989). Terramechanics and off-road vehicles.