پيش‌بيني مقاومت به كشش يك تيغه باريك خاك‌ورز عمودي با استفاده از شبكه عصبي مصنوعي

Draft Prediction of a Vertical Narrow Tillage Tool by Artificial Neural Networks

چكيده مقاومت به كشش ابزارهاي مختلف خاك‌ورزي يك پارامتر مهم براي اندازه‌گيري و ارزيابي عملكرد ادوات براي تعيين ميزان انرژي مورد نياز مي‌باشد. پيش‌بيني اين پارامتر مي‌تواند در بسياري از اهداف مديريتي نيز، از جمله انتخاب تراكتور مناسب، موثر واقع گردد. در اين تحقيق آزمايش هاي مزرعه‌اي در دو نوع خاك لومي‌رسي و رسي‌لومي به منظور پيش‌بيني مقاومت به كشش با استفاده از شبكه عصبي مصنوعي با داشتن برخي پارامترهاي نوع و شرايط خاك، پارامترهاي ابزار و پارامترهاي عملياتي و مقايسه دقّت مدل بدست آمده با مدل‌هاي رگرسيوني انجام گرديد. آزمايشات در داخل هر بافت خاك در قالب آزمايش فاكتوريل بر پايه طرح بلوك كامل تصادفي (RCBD) و با سه تكرار انجام شد. در داخل هر بافت خاك سطوح مختلف رطوبت از 5 تا 16 درصد براي خاك‌هاي خشك و 17 تا 38 درصد براي خاك‌هاي مرطوب، سرعت پيشروي تراكتور درچهار سطح 1، 5/1 و 8/1 و3 كيلومتر در ساعت، عمق كار در چهار سطح 10، 20، 30 و40 سانتي متر و عرض تيغه نيز در چهار سطح 5/2، 3، 5/3 و 4 سانتي متر انتخاب، و در داخل هر كرت آزمايشي مشخصه هاي نيروي مقاوم كششي، شاخص مخروطي خاك و درصد محتوي رطوبتي خاك اندازه گيري شدند. شبكه هاي طراحي شده در اين تحقيق كه به منظور پيش‌بيني مقاومت به كشش ابزار باريك خاك‌ورز عمودي مورد استفاده قرار گرفتند، از نوع شبكه هاي چندلايه پس انتشار برگشتي بودند. از سه روش الگوريتم گراديان نزولي با مومنتوم، الگوريتم لونبرگ- ماركوات و الگوريتم گراديان نزولي مزدوج مقياسي به منظور آموزش شبكه استفاده گرديد. نتايج اين تحقيق نشان داد كه شبكه عصبي توسعه داده شده با الگوريتم لونبرگ- ماركوات در مقايسه با ساير الگوريتم‌ها عملكرد بهتري دارد. ميانگين دقت شبيه سازي 05/95 درصد و ضريب همبستگي 9935/0 براي مدل توسعه داده شده در اين تحقيق بدست آمد. داده‌هاي بدست آمده از مدل شبكه عصبي مصنوعي با مدل هاي ASAE و مدل اشرفي‌زاده (2006) مقايسه شدند. نتيجه اين مقايسه نشان داد كه داده‌هاي پيش‌بيني شده توسط شبكه عصبي مصنوعي خيلي نزديك به داده‌هاي واقعي بدست آمده از آزمايشات مزرعه‌اي مي باشند و مدل‌هاي رگرسيوني نتوانستند كاربرد چنداني براي پيش‌بيني مقاومت به كشش در خاك‌هاي مورد مطالعه داشته باشند.

Draft Prediction of a Vertical Narrow Tillage Tool by Artificial Neural Networks Yousef Abbaspour-Gilandeh1*, Hamid Jalilnejhad2 and Tarahom Mesri Gundoshmian3 1Dept. of Agricultural Machinery, Faculty of Agricultural Technology and Natural Resources, University of Mohaghegh Ardabili, Iran 2Dept. of Agricultural Machinery, Faculty of Agricultural Technology and Natural Resources, University of Mohaghegh Ardabili, Iran 3Dept. of Agricultural Machinery, Faculty of Agricultural Technology and Natural Resources, University of Mohaghegh Ardabili, Iran *Corresponding Author E-mail: abbaspour@uma.ac.ir Abstract Draft of different tillage tools is an important parameter for performance measurement, evaluation of tillage tools and also for determining the amount of required energy. Prediction of this parameter could be beneficial in many farm management practices, prediction of energy requirements and selecting appropriate tractor. In this study, field experiments were carried out at two soil types, namely, clay loam and loam clay, for predicting draft of a vertical narrow tillage tool, using artificial neural network and also, for comparison of developed model accuracy with that of regression models. Some parameters such as soil types, soil conditions, tools parameters and operational parameters were selected as inputs to artificial neural network. Within each type of soil, experiments were conducted in the form of factorial experiment based on randomized complete block design (RCDB) with three replications. Different levels of soil moisture content (factor A) 5-16 percent for dry soil and 17-38 percent for wet soil, tractor speed (factor B) at four levels of 1, 1.5, 1.8 and 3 km/hr, working depth (factor C) at four levels of 10, 20, 30 and 40cm and blade width (factor D) in four levels of 2.5, 3, 3.5 and 4cm were selected. Back propagation neural networks with three different training algorithms (gradient descending algorithm with momentum, descending scaled gradient and Levenberg-Marquardt) were adopted to predict the draft. Back propagation neural networks with Levenberg-Marquardt training algorithm presented better accuracy in simulation (95.05%) and correlation coefficient (R2) of 0.9935 as compared to others. The obtained data from neural network model were compared to ASAE and Ashrafizadeh (2006) models; the result showed that the predicted data by artificial neural network were very close to real data obtained from field experiments and the regression models did not have much proficiency for predicting draft at the studied area. Keywords: Artificial neural network, Draft, Levenberg-Marquardt training algorithm, Vertical narrow tillage tool