مدل سازی فشار- نشست خاک تحت تاثیر سرعت نشست با استفاده از یادگیری عمیق بهینه سازی شده توسط الگوریتم گرگ خاکستری
- سال انتشار: 1403
- محل انتشار: دوفصلنامه ماشین های کشاورزی، دوره: 14، شماره: 1
- کد COI اختصاصی: JR_JAM-14-1_005
- زبان مقاله: فارسی
- تعداد مشاهده: 181
نویسندگان
گروه مکانیک بیوسیستم دانشگاه ارومیه، ارومیه، ایران
گروه مکانیک بیوسیستم دانشگاه ارومیه، ارومیه، ایران
گروه مکانیک بیوسیستم دانشگاه ارومیه، ارومیه، ایران
گروه مهندسی مکانیک، صنایع و هوافضا، دانشگاه کنکوردیا، کنکوردیا، کانادا
چکیده
با توجه به متغیرهای متعددی که بر سیستم های اندرکنش خاک و ماشین تاثیرگذار هستند، پیش بینی پاسخ مکانیکی خاک در تعامل با دستگاه های کششی خارج از جاده چالش برانگیز است. در این مطالعه، شبکه های عصبی عمیق به دلیل توانایی آن ها در مدل سازی سیستم های پیچیده، چندمتغیره و دینامیک به عنوان یک راه حل بالقوه برای توضیح میزان فرورفتگی خاک در نرخ های مختلف از بار عمودی انتخاب شد. آزمایش های فشار-نشست خاک با استفاده از بوامتر در یک انباره خاک از نوع ثابت با طول ۲۴ متر، عرض ۲ متر و کانال خاک عمق ۱ متر انجام شد. آزمایش های تجربی در سه سطح سرعت نشست، دو سطح اندازه صفحه، در محتوای آب خاک ۱۰ درصد انجام شد که داده های تجربی در مورد روابط فشار و نشست خاک ارائه می کرد. این آزمایش ها به عنوان مبنایی برای الگوریتمی بود که قادر به تشخیص تعامل بین خاک ماشین پس از یک فرآیند تکراری دقیق بود. مشخص شد که یک شبکه عصبی عمیق، به ویژه یک شبکه عصبی عمیق با انتشار پیش خور با سه لایه پنهان، انتخاب بهینه برای این منظور است. معماری شبکه عصبی عمیق بهینه شده به صورت ۱-۱۰-۱۵-۸-۳ شکل یافت که توسط الگوریتم بهینه سازی گرگ خاکستری تعیین شده است. در حالی که معادله بکر به طور سنتی به عنوان یک روش پذیرفته شده برای پیش بینی رفتار فشار- نشست خاک استفاده می شود، تاثیر سرعت نشست در خاک را نادیده می گرفت. با این حال، یافته های تحقیق تاثیر قابل توجهی از سرعت نشست بر پارامترهای حاکم بر پاسخ تغییر شکل خاک را نشان داد. شبکه عصبی عمیق آموزش دیده با موفقیت سرعت نشست را در ساختار خود گنجاند و نتایج دقیقی با مقدار میانگین مربعات خطای ۰.۰۸۷۱ ارائه کرد.کلیدواژه ها
انباره خاک, بوامتر, ترامکانیک, شبکه عصبی عمیق, وسیله نقلیه خارج از جادهاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.