مدل‌سازی بازده کششی تراکتور با استفاده از شبکه عصبی مصنوعی

Authors

  • مهدی علی جانی دانش‌آموخته کارشناسی ارشد، دانشگاه علوم کشاورزی و منابع طبیعی ساری
Abstract:

در این مطالعه آزمایش­های مزرعه­ای در شرایط متفاوت عمق شخم، سرعت پیشروی و میزان وزنه­های متصل به تراکتور انجام شد. در این تحقیق، عمق شخم در چهار سطح 5، 10، 15 و 20 سانتی­متر، سرعت­های پیشروی در چهار سطح 5/2، 5/3، 5/4 و 5/5 کیلومتر بر ساعت و میزان سنگین­کننده نیز در چهار سطح 0، 40، 80 و 120 کیلوگرم قرار گرفت. شبکه­های عصبی مدل­سازی شده در این تحقیق که به­ منظور پیش­بینی بازده کششی تراکتور مورد استفاده قرار گرفتند از نوع شبکه­های چند لایه پس­انتشار برگشتی بودند. نتایج این تحقیق نشان داد که شبکه عصبی توسعه داده شده با الگوریتم  LMنسبت به الگوریتم ­SCG عملکرد بهتری دارد. مقدار خطای RMSE و ضریب تبیین  R2به دست آمده در این مطالعه برای بازده کششی به ترتیب عبارت است از 010828/0 و 99163/0. نتیجه مدل­سازی نشان داد که داده­های پیش­بینی شده توسط شبکه عصبی مصنوعی خیلی نزدیک به داده­های واقعی به دست­آمده از آزمایش‌های مزرعه­ای می­باشد. بنابراین می­توان مدل به دست­ آمده را در مواقعی که امکان اندازه­گیری وجود نداشته باشد، به‌خدمت گرفت.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مدلسازی نفوذپذیری سیستم بیوراکتورغشایی با استفاده از شبکه عصبی مصنوعی

مدلسازی برای سیستم های پیچیده ای همچون بیوراکتور غشایی به دلیل امکان اجرای آزمایشهای مجازی زیاد در زمان کوتاه ابزاری قدرتمند است، اگرچه نیازمند اعتبار تجربی و تبدیل فرایند به مدل ریاضی می باشد. در این پژوهش به مدلسازی فرایند فیلتراسیون توسط شبکه های عصبی با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده های تجربی یک سیستم بیوراکتور غشایی غوطه ور مجهز به غشاء کوبوتا جهت تصفیه فاضلا...

full text

پیش‌بینی ارتباط بین بازده سهام و عدم تقارن اطلاعاتی با استفاده از شبکه-های عصبی مصنوعی

با توجه به اهمیت­ بازده در مطالعات سرمایه­گذاری، برآورد رابطه­ی آن با عدم تقارن اطلاعاتی از مسائل مهم و ضروری است. تغییرات زمانی بازده، عدم کفایت مطالعات صورت گرفته و وجود عوامل تاثیرگذار بر میزان بازده سهام باعث توسعه­ی روش­های نوین و هوشمند در تخمین و برآورد بازده سهام شرکت­های بورسی شده است. هدف از این تحقیق پیش­بینی بازده سهام با استفاده از عدم تقارن اطلاعاتی با رویکرد شبکه­های عصبی مصنوعی ...

full text

مدلسازی غلظت تری هالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی

در این مطالعه جهت مدل سازی میزان غلظت تری هالومتان در آب شرب، از شبکه عصبی مصنوعی استفاده شده است. پس از آموزش، شبکه عصبی قادر است براساس مشخصات کیفی آب و میزان غلضت کلر در آب شرب، میزان غلظت تری هالومتان را پیش بینی کند. جهت ارزیابی و تشریح مدل، آب تصفیه خانه سنگر واقع در شهرستان رشت به صورت موردی  بررسی شده است. از اندازه گیری های انجام یافته بر روی آب شرب تصفیه خانه سنگر، داده های مورد نیاز،...

full text

مدلسازی منطقه‌ای دبی‌های اوج در زیر حوزه‌های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی

The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hyd...

full text

مدلسازی و شبیه‌سازی بیوسنسور آنزیمی برای تشخیص آفلاتوکسین B1 با استفاده از شبکه عصبی مصنوعی

افلاتوکسین B1 (AFB1) سمی ترین گروه آفلاتوکسین‌هاست که باعث آلودگی محصولات کشاورزی شده و اثرات مرگ باری بر سلامت انسان دارد. تشخیص AFB1 در مواد غذایی و خوراکی توسط بیوسنسورها سریع، کم هزینه و دقیق است. در این مقاله به مدلسازی و شبیه‌سازی ‌واکنش‌های شیمیایی در بیوسنسور پتانسیومتری AFB1 جهت تعیین ثابت‌های  بهینه نرخ واکنش پرداخته شده است. شبیه‌سازی ‌واکنش‌های شیمیایی توسط نرم افزار COMSOL...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 3  issue 1

pages  35- 50

publication date 2016-08-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023