پیش بینی نیروی کششی و انرژی خاک ورزی عملیات زیرشکنی با استفاده از مدل شبکة عصبی مصنوعی

کاربرد و توسعه شبکه عصبی مصنوعی در زمینة مدل کردن خصوصیات فیزیکی و دینامیکی خاک و همچنین مطالعة امکان پذیری ارتباط این سیستم با روش اجزاء محدود، روز به روز در حال توسعه می باشد و انتظار می رود که استفاده از شبکة عصبی مصنوعی نتایج موفقی را بخصوص در شبیه سازی عملکرد ادوات خا کورزی و رفتار دینامیکی خاک در مقابل ابزار ارائه نماید. دلیل استفاده از شبکه عصبی در این کارها قدرت پیش بینی بالای این روش و همچنین عدم وجود رابطة ریاضی مشخص بین متغیرهای مستقل و وابسته می باشد. در این تحقیق به منظور توسعة مدل پیش بینی نیروی کششی و انرژی خاک ورزی عملیات زیرشکنی، پارامترهایی سرعت پیشروی تراکتور، عمق خاک ورزی و پارامترهای مختلف خاک (شاخص مخروطی ، محتوی رطوبتی، هدایت الکتریکی، درصد رس، درصد شن و ...) مورد استفاده قرار گرفتند . آزمایش هایی به منظور جمع آوری داده های مورد نیاز در سه نوع خاک جلگه ای ساحلی متفاوت در منطقه جنوب شرقی آمریکا انجام شد . شبکه های عصبی مصنوعی طرّاحی شده در این تحقیق که به منظور پیش بینی نیروی کششی و انرژی مورد عملیات خاک ورزی مورد استفاده قرار گرفتند، از نوع شبکه چند لایة پس انتشار برگشتی بودند که به منظور آموزش شبکه از سه الگوریتم گرادیان نزولی با مومنتم، الگوریتم لونبرگ - مارکوات و الگوریتم گرادیان نزولی مقیاسی استفاده گردید. انتخاب بهترین الگوریتم آموزشی براساس مقایسة عملکرد شبکه های ساخته شده (در مرحلة آموزش و آزمون داده ها) انجام گردید . با توجه به دقّت پیش بینی بالا (95/8%) و دقّت شبیه سازی بالا تر (97/6%) استفاده از الگوریتم لونبرگ- مارکوات (با دو لایة میانی با تعداد 12 عدد نرون در لایة اول و 10 عدد نرون در لایة دوم ) در مقایسه با سایر الگوریتم های آموزشی به منظور پیش بینی نیروی کششی و انرژی خا ک ورزی موردنیاز مناسب تشخیص داده شد . نمودارهای نقطه ای بدست آمده ضریب تبیین مدل 0/996 = R2 در آموزش شبکه و ضریب تبیین مدل 0/987 = R2 در جریان تست شبکه بین داده های واقعی و داده های بدست آمده از شبکة عصبی برای این حالت را نشان می دهند. همچنین به منظور ارزیابی مدل های شبکة عصبی مصنوعی، داده های بدست آمده از این مدل ها با داده های مدلهای رگرسیونی (مدل ارائه شده توسط انجمن مهندسین کشاورزی آمریکا و مدل گارنر ) مورد مقایسه قرار گرفتند . مقایسة نتایج بدست آمده از مدل شبکة عصبی مصنوعی و مدلهای رگرسیونی به منظور پیش بینی نیروی کششی مورد نیاز عملیات زیرشکنی نشان داد که مدل شبکة عصبی مصنوعی داده های بسیار نزدیکتری به داد ه های واقعی در مقایسه با سایر مدل های رگرسیونی ارائه کرد.

کلیدواژه ها:

انرژی خا کورزی ، نیروی کششی ، زیرشکن ، شبکة عصبی مصنوعی ، الگوریتم مارکوات- لونبرگ