کاظم جعفری نعیمی - استادیار، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان ، کرمان، ایران
آسیه دوستی - دانشجوی دکتری، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان ، کرمان، ایران
کوروش قادری - استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان ، کرمان، ایران

برای برداشت مکانیزه بوته لوبیا با دروگر، خصوصیات مکانیکی ساقه لوبیا اهمیت ویژه ای دارد. از جمله خصوصیات مکانیکی برایبرداشت، حداکثر نیروی برشی، مقاومت برشی، انرژی برشی، تنش برشی می باشد. در این تحقیق تنش برشی ساقه لوبیا به عنوان تابعی ازسرعت بارگذاری در سه سطح 20، 50 و 100 میلیمتر بر دقیقه با دو نوع تیغه لبه صاف و لبه مضرس در سه زاویه برش 40، 55 و 70 درجهتحت برش شبه استاتیکی تعیین گردید. برای تعیین تنش برشی از دستگاه تست کشش- فشار استفاده گردید. در خصوص تعین نیروی برشی، آزمایش ها در رطوبت یکسان و در 9 تکرار انجام گرفت. همچنین از روش های داده محور شبکه عصبی مصنوعی (ANN) و کنترلگروهی داده ها (GMDH) به عنوان روش های سریع برای برآورد تنش برشی استفاده شد. ورودی های مدل شامل نوع تیغه، زاویه برش ساقهو سرعت بارگذاری می باشند. برای توسعه مدل شبکه عصبی مصنوعی ابتدا داده ها به دو بخش آموزش (80%) و آزمون (20%) تقسیم شدند.برای ارزیابی عملکرد هر دو مدل از پارامترهای ضریب تبیین (R²)، میانگین خطای بایاس (MBE) و میانگین مربعات خطا (MSE) استفادهشد. بنابراین شبکه عصبی سه لایه با ساختار 1-4-3 بهترین نتیجه را برای پیش بینی تنش برشی با معیارهای ارزیابی MBE, R² و MSEبه ترتیب برابر با 0/978، 0/021 و 0/00132 بدست آمد. هم چنین در روش GMDH مقدار میانگین خطای بایاس و ضریب تبیین و میانگینمربعات خطا به ترتیب 0/0021، 0/93 و 0/0034 بدست آمد. مقادیر نتایج بیانگر عملکرد خوب هر دو روش برای برآورد تنش برشی ساقه لوبیا می باشد.

لوبیا، ANN ، GMDH ، برآورد تنش برشی، روش های داده محور