ارائه مدل پيش بيني نيروي مقاوم كششي و انرژي مورد نياز عمليات زير شكني با استفاده از مدل فازي د رخاك شني لومي

در مناطقي كه در آنها لايه فشرده شده و يا لايه سخت در پروفيل خاك به چشم مي خورد و فشردگي خاك به صورت يك مساله جدي در آن مناطق مطرح مي باشد، كشاورزان هر ساله به منظور از بين بردن فشردگي خاك از خاك ورزي در عمق يكنواخت (زير شكني در عمق ثابت) استفاده مي كنند. با توجه به اينكه انرژي بسيار بالايي به منظور از بين بردن لايه فشرده شده خاك يا سخت لايه خاك مورد نياز مي باشد، پيش بيني نيروي مقاوم كششي و انرژي مورد نياز عمليات خاك ورزي مي تواند در بسياري از اهداف مديريتي و انتخاب تراكتور مناسب موثر واقع گردد. هدف اصلي از اين مطالعه، بررسي ارتباط بين پارامترهاي كاري زير شكن به نيروي كششي و انرژي مورد نياز خاك ورزي و براي نشان دادن نقش سيستم خبره فازي در پيش بيني نيروي كششي و انرژي مورد نياز عمليات زير شكني مي باشد. در اين تحقيق از سيستم مبتني بر دانش يا قواعد از طريق داده هاي آزمايشي با استفاده از منطق فازي به منظور پيش بيني نيروي مقاوم كششي و انرژي مورد نياز عمليات خاك ورزي ساخته شده است. در مقايسه با روش هاي سنتي، منطق فازي در ايجاد ارتباط بين ورودي هاي چند گانه به يك سيگنال خروجي در دامنه غير خطي بسيار موثر تر عمل مي كند. آزمايش ها به منظور جمع آوري داده هاي مورد نياز در مزرعه اي با بافت شني لومي انجام شد. در اين مقاله، يك مدل هوشمند، بر اساس رويركد اصول مدل فازي ممداني، كه براي پيش بيني تغييرات در نيروي مقاوم كششي و انرژي مورد نياز عمليات توسعه يافته شده، استفاده گرديده است. اين مدل فازي شامل 25 قانون مي باشد. در اين تحقيق، استنتاج ماكسيمم- مينيمم ممداني براي استنتاج مكانيزم و روش غير فازي ساز مركز ثقل براي غير فازي سازي مورد استفاده قرار گرفت. اعتبار مدل ارائه شده از طريق معيار خطاي عددي بدست آمد. نتايج پيش بيني با استفاده از مدل فازي مقادير بسيار نزديكي را بين مقادير اندازه گيري شده و مقادير پيش بيني شده نشان داد. بطوريكه ميانگين خطاي نسبي مقادير ندازه گيري شده و پيش بيني شده با استفاده از مدل فازي 3/1% براي نيروي مقاوم كششي و 2/94% براي انرژي مورد نياز عمليات ير شكني بدست آمد. مقايس نتايح بدست آمده از مدل فازي و مدل رگرسيون به منظور پيش بيني نيروي مقاوم كششي و انرژي مورد نياز عمليات زيرشكني نشان داد ميانگين خطاهاي نسبي در مدل هاي رگرسيوني بزرگتر از مدل پيش بيني فازي مي باشد.