Draft Force Prediction of a Narrow Tillage Tool by Artificial Neural Network

جليل‌ن‍ژاد, حميد and عباسپور گيلانده, دكتر يوسف and شاهقلي, دکتر غلامحسين (2011) Draft Force Prediction of a Narrow Tillage Tool by Artificial Neural Network. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
Revised Farsi Cover.pdf

Download (850kB)
Official URL: http://uma.ac.ir/

Abstract

Abstract: Soil compaction is one the serious problems of agricultural soils in different parts of the world. Very high energy is required in order to eliminate the compacted layer of soil or soil hardpan. Elimination of this layer helps plant to spread roots and drought tolerance of plant will boost. Today, uniform depth tillage and precision tillage (variable depth tillage) are used to eliminate the compacted layer of soil. Draft force 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 is necessary in both uniform depth and variable depth tillage systems and could be effective for many farm management objectives, prediction of energy requirements and selecting suitable tractor. In this study, field experiments were carried out at two soil types of clay loam and loam clay soils for statistical comparison of a vertical narrow tillage tool draft values influenced by various parameters, prediction of its draft force using artificial neural network model with some parameters such as soil types, soil conditions, tools parameters operational parameters and also for accuracy comparison of developed model with regression models. Within each soil texture, experiments were conducted in the form of factorial experiment based on randomized complete block design (RCDB) with three replications and 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. Within each experimental plot, draft force, soil cone index and percent of soil moisture content were measured. Analysis of variance showed that the main effects of soil texture, soil moisture content, travel speed, blade width and working depth are separately significant on draft force of a vertical narrow blade at probability level of 1%. With increasing travel speed, working depth and width of blade, draft force increased significantly. However, tillage depth was more effective parameter on draft force of the vertical narrow tillage tool. The results showed that with increasing moisture content of soil, draft force decreased significantly. Meanwhile, dual interactions of soil texture and soil moisture content, soil texture and travel speed, soil moisture content and travel speed, soil texture and blade width, travel speed and blade width, soil texture and working depth, soil moisture content and working depth, travel speed and working depth and also blade width and working depth were significant on draft force of the vertical narrow blade (P<0.01). In this research, according to the development, application and high precision of artificial neural networks in prediction without any need to specify the mathematical relationship between input and output parameters, artificial neural networks were employed in order to predict draft force of a vertical narrow blade. 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 vertical narrow tillage tool 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 of this comparison 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 force at the studied area.

Item Type: Thesis (Masters)
Persian Title: پیش‌بینی نیروی کششی یک تيغه باریک خاك‌ورز با استفاده از مدل شبکه عصبی مصنوعی
Persian Abstract: فشردگی خاک یکی از مشکلات و مسائل جدی بسیاری از خاک‌هاي زراعي در مناطق مختلف دنیا می¬باشد. انرژی بسیار بالایی به‌منظور از بین بردن لایۀ فشرده شدۀ خاک یا سخت لایۀ خاک، مورد نیاز می‌باشد که از بین بردن این لایه به گسترش ریشه و همچنین تحمّل به خشکی گیاه بسیار کمک خواهدکرد. امروزه از خاک‌ورزی در عمق یکنواخت (زیرشکنی در عمق ثابت)، خاک‌ورزی دقیق (زیرشکنی در عمق متغیّر) براي از بين بردن لايه فشرده شده خاك استفاده مي‌شود. نيروي مقاوم كششي ابزارهاي مختلف خاك‌ورزي یک پارامتر مهم برای اندازه‌گیری و ارزیابی عملکرد ادوات برای تعيين میزان انرژی لازم مي¬باشد كه پيش‌بيني اين پارامتر در هر دو سيستم خاك‌ورزي دقيق و خاك‌ورزي در عمق يكنواخت مي‌تواند در بسياري از اهداف مديريتي و همچنين پيش‌بيني انرژي موردنياز و انتخاب تراكتور مناسب موثر واقع گردد. در اين تحقيق آزمایشهای مزرعه‌ای در دو نوع خاک لومي‌رسي و رسي‌لومي به منظور مقايسه آماري مقادير نیروی مقاوم کششی تيغه باريك خاك‌ورز عمودی تحت تاثير پارامترهاي مختلف، پيش‌بيني نیروی مقاوم کششی با استفاده از مدل شبكۀ عصبي مصنوعی با داشتن برخي پارامترهاي نوع و شرایط خاک، پارامترهای ابزار و پارامترهای عملیاتی و مقايسة دقّت مدل بدست آمده با مدل‌هاي رگرسيونی انجام گرديد. آزمايشات در داخل هر بافت خاک در قالب آزمایش فاکتوریل بر پایه طرح بلوک کامل تصادفی (RCDB) و با سه تکرار انجام شد. در داخل هر بافت خاک سطوح مختلف رطوبت (فاكتورA ) از 5 تا 16 درصد براي خاك هاي خشك و 17 تا 38 درصد براي خاك هاي مرطوب، سرعت پيشروي تراكتور (فاكتورB ) درچهار سطح 1، 5/1 و 8/1 و3 كيلومتر در ساعت ، عمق كاري (فاكتورC ) در چهار سطح 10، 20، 30 و40 سانتي متر و عرض تيغه (فاكتورD ) نيز در چهار سطح 5/2، 3، 5/3و 4 سانتي متر انتخاب شدند و در داخل هر کرت آزمایشی صفات نيروي مقاوم كششي، شاخص مخروطی خاک و درصد محتوی رطوبتی خاک اندازه¬گیری شدند. نتايج تجزيه واريانس نشان داد که اثرات اصلي بافت خاک، رطوبت، سرعت، عرض تيغه و عمق به¬طور مجزا بر روي ميزان نيروي مقاوم كششي تيغه باريك خاك¬ورز عمودي معني¬دار است (سطح احتمال 1%). به‌طوري‌كه با افزايش سرعت پيشروي، عمق كاري و عرض تيغه ميزان نيروي مقاوم كششي به‌طور معني¬داري افزايش مي¬يابد. البته تأثيرعمق خاك‌ورزي نسبت به عوامل ديگر بر روي نيروي مقاوم كششي بيشتر بود. همچنين نتايج نشان داد كه با افزايش محتوي رطوبتي ميزان نيروي مقاوم كششي كاهش مي¬يابد. ضمن اين¬كه اثرات متقابل دوتايي بافت خاک در رطوبت، بافت خاک در سرعت، رطوبت در سرعت، بافت خاك در عرض تيغه، رطوبت در عرض تيغه، سرعت در عرض تيغه، بافت خاك در عمق، رطوبت در عمق، سرعت در عمق و عرض در عمق بر ميزان نيروي مقاوم كششي نيز معني¬دار است (سطح احتمال 1%). در این تحقیق با توجه به توسعه، کاربرد و دقت بالای شبکه‌های عصبی مصنوعی در پیش‌بینی و عدم‌نياز به وجود رابطه ریاضی مشخص بین پارامترهاي مختلف ورودي و خروجي، از شبكه هاي عصبي مصنوعي به‌منظور پيش‌بيني نيروي مقاوم كششي يك تيغه باريك خاك‌ورز عمودي استفاده شد. شبكه¬هاي طراحي شده در اين تحقيق كه به¬منظور پيش‌بيني نيروي كششي ابزارهاي 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. همچنين در اين تحقيق از توابع تبديل تانژانت سيگموئيدي، هيپربوليك و تابع محرك خطي بين لايه¬هاي شبكه استفاده گرديد. نتايج اين تحقيق نشان داد كه شبكه عصبي توسعه داده شده با يك لايه مخفي و با 8 نرون در لايه مياني و با الگوريتم لونبرگ- ماركوات در مقايسه با ساير الگوريتم‌ها عملكرد بهتري دارد. ميانگين دقت شبيه سازي 05/95 % و همچنين 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 نيروي مقاوم كششي در خاك‌هاي مورد مطالعه داشته باشند.
Supervisor:
SupervisorE-mail
عباسپور گيلانده, دكتر يوسفUNSPECIFIED
Advisor:
AdvisorE-mail
شاهقلي, دکتر غلامحسينUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Horticulture
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Horticulture
Faculty of Agricultural Sciences & Natural Resources > Department of Horticulture
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Horticulture
Faculty of Agricultural Sciences & Natural Resources > Department of Horticulture
Faculty of Agricultural Sciences & Natural Resources > Department of Horticulture
Date Deposited: 10 Jul 2019 05:36
Last Modified: 10 Jul 2019 05:36
URI: http://repository.uma.ac.ir/id/eprint/7681

Actions (login required)

View Item View Item