ادغام الگوريتم ژنتيك و شبكه هاي عصبي مصنوعي در پيش بيني مقدار نشست چرخ محرك در اثر لغزش، بار و سرعت

Fusion of genetic algorithm and artificial neural network for prediction of tire rut depth as affected by slippage, wheel load and velocity

اين مطالعه به بررسي اثر پارامترهاي لغزش، بار و سرعت در مقدار نشست چرخ محرك درون خاك با استفاده از آزمونگر تك چرخ در محيط انباره خاك مي پردازد. داده هاي بدست آمده با استفاده از تكنيك شبكه هاي عصبي مصنوعي و روش ادغام الگوريتم ژنتيك و شبكه هاي عصبي مصنوعي مورد مدلسازي و مقايسه قرار گرفتند. مشخص شد كه با بكارگيري الگوريتم ژنتيك در شبكه عصبي نتايج بهتري نسبت به اجراي تنهاي شبكه عصبي حاصل مي شود. اين امر به دليل بهينه ساختن وزنهاي نورون ها در هر نسل جديد نسبت به نسل قبلي توسط جمعيت كروموزومها مي باشد. همچنين در بين كليه آرايش هاي شبكه هاي گسترش يافته در قالب دو الگوريتم آموزشي مورد استفاده، كمترين خطا در الگوريتم آموزشي trainlm با 6 نورون در لايه مخفي با مقدار 0/6755 بدست آمد. البته كمترين مقدار MSE براي الگوريتم آموزشي trainscg با 7 نورون در لايه مخفي با مقدار 0/819 بدست آمد كه از مقدار 0/6755 بيشتر بوده و بنابر اين شبكه عصبي ادغام شده با الگوريتم ژنتيك داراي 6 نورون در لايه مخفي و با الگوريتم آموزشي trainlm به عنوان شبكه برتر انتخاب شد. مشخص شد كه نزديكي مقادير پيشبيني شده توسط شبكه عصبي به مقادير واقعي داراي ضريب تبيين برابر با 0/9722 ميباشد. نزديكي مقادير پيشبيني شده توسط شبكه عصبي ادغام شده با الگوريتم ژنتيك به مقادير واقعي داراي ضريب تبيين برابر با 0/9905 مي باشد.

This study is aimed at investigating the effect of slippage, wheel load and velocity on tire rut depth of driven wheel utilizing single wheel tester in a soil bin facility. The obtained results were used to develop ANN and ANN-GA approaches for the modeling. It was found that ANN-GA approach outperformed ANN technique. This was attributed to the optimization of the neuron weights in new generation when compared to the older generation by chromosome population. Furthermore, among all ANN architectures, the lowest MSE corresponded to trainlm with 6 neurons in the hidden layer with MSE equal to 0.6755. The lowest MSE for trainscg with 7 neurons in the hidden layer was obtained to be 0.819. Hence fused ANN-GA with 6 neurons in the hidden layer was selected as the superior model. Coefficient of determination equal to 0.9722 was obtained for trainlm training algorithm where for ANN-GA approach, this criterion was obtained to be 0.9905