مدل‏سازی ریاضی بادبردگی نازل‏های تی‏جت

سالانه، میلیون‏ها لیتر محلول سم، برای مبارزه با آفات و بیماری‏های گیاهی در مزارع استفاده می‏شود. استفاده‏ی گسترده از سموم شیمیایی، خطرات زیست محیطی زیادی را ایجاد می‏کند. بادبردگی ذرات یکی از مهمترین معضلات در سم‏پاشی است، که باعث آلودگی زمین‏های اطراف مزرعه، انسان‏ها و جانداران می‏شود. مدیریت اندازه‏ی ذره، فاکتور اصلی در کنترل بادبردگی است. در این تحقیق عوامل موثر دراندازه‏ی ذرات نشسته در نواحی غیر هدف با استفاده از روش‏های آماری و شبکه‏ی عصبی مصنوعی مورد مطالعه قرار گرفت. اثرات نوع نازل (نازل با سوراخ خروجی متفاوت)، فشار سم‏پاشی، ارتفاع بوم سم‏پاشی و سرعت باد به عنوان فاکتورهای موثر در بادبردگی، روی اندازه‏ی ذرات مورد بررسی قرار گرفتند. یک تونل باد افقی، با مقطع کاری 47/0 متر عرض، 75/0 ارتفاع و 5/5 متر طول برای انجام آزمایش‏ها استفاده شد. آزمایش‏ها به صورت فاکتوریل اسپلیت‏پلات در قالب طرح بلوک‏های کاملا تصادفی با دو تکرار انجام شد. اندازه‏گیری قطرات در ترکیب‏های تیماری با نازل بادزنی در سه سطح سوراخ (11003- 87/0 میلی‏متر مربع، 11004- 18/1 میلی‏متر مربع و 11006- 8/1 میلی‏متر مربع)، فشار پاشش (150، 275 و 400 کیلوپاسکال)، سرعت باد (1، 2 و 3 متربر ثانیه) و ارتفاع پاشش بوم (35/0، 55/0و 75/0 متر) انجام شد. کاغذهای حساس به آب در فواصل 8/0، 6/1 و 4/2 متری از انتهای پاشش نازل برای آشکارسازی اندازه‏ی قطرات استفاده شدند. مدل رگرسیونی برای قطر میانه‏ی حجمی (vmd) در فاصله‏ی 4/2 متری از انتهای پاشش نازل به صورت زیر به دست آمد: y= 186/0-×(x1) + 415/0×(x2) + 233/0×(x3) + 725/0×(x4) x1، x2، x3 و x4 به ترتیب نوع نازل، فشار سم‏پاشی، ارتفاع بوم و سرعت باد هستند. در این تحقیق فاکتورهای فشار، سرعت و ارتفاع بر اندازه‏ی قطره در فاصله‏ی مورد نظر اثر افزایشی داشتند. ولی اثر نازل کاهشی بود. با توجه به ضرایب مدل رگرسیونی اثر سرعت قابل ملاحظه بود. برای مقایسه‏ی نتایج مدل رگرسیونی و ارزیابی آن‏ها یک مدل شبکه‏ی عصبی ارائه شد. برای این منظور، یک شبکه‏یmlp شامل، یک لایه‏ی ورودی، یک لایه‏ی پنهان و یک لایه‏ی خروجی استفاده گردید. در لایه‏ی ورودی 4 نرون وجود داشت که شامل نوع نازل، سرعت باد، فشار و ارتفاع بودند. بهترین حالت برای یادگیری شبکه‏ی عصبی، با در نظرگرفتن همزمان میانگین مربعات خطا و ضریب تبیین، روش لونبرگ مارکوات با ایپاک 300 و نرون 14 به دست آمد. پس از آموزش و اعتبارسنجی شبکه میزان میانگین مربعات خطا و ضریب تبیین به ترتیب برابر 002011/0 و 91/0 به دست آمد. نتایج حاصل از شبکه‏ی عصبی و رگرسیون چندگانه تفاوت معنی‏داری با هم نداشتند.