| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شماره‌ها | 3,086 |
| تعداد مقالات | 34,439 |
| تعداد مشاهده مقاله | 48,851,456 |
| تعداد دریافت فایل اصل مقاله | 79,312,509 |
پیش‌بینی مقاومت غلتشی لاستیک با استفاده از مدل رگرسیونی و شبکۀ عصبی مصنوعی (ANN) | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 2، دوره 21، شماره 74، شهریور 1399، صفحه 1-16 اصل مقاله (1.3 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2018.109637.1177 | ||
| نویسندگان | ||
| پیام فرهادی1؛ عبدالله گل‌محمدی* 2؛ احمد شریفی3؛ غلامحسین شاهقلی4 | ||
| 1دکترای مهندسی بیوسیستم گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 2دانشیار گروه آموزشی مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 3دانشیار موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران | ||
| 4دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| چکیده | ||
| در این تحقیق از یک آزمونگر تک چرخ به منظور بررسی تأثیر متغیرهای بار عمودی، فشار باد و درصد رطوبت خاک بر پارامتر مقاومت غلتشی لاستیک در انبارۀ خاک استفاده شد. لاستیک مورد استفاده 28-12/4 و خاک مورد آزمون دارای بافت لومی- رسی بود. آزمایش‌ها به صورت آزمون فاکتوریل و در قالب طرح کاملاً تصادفی با سه تکرار برای هر آزمون اجرا شد. ضریب تبیین مدل رگرسیونی برای پیش‌بینی مقاومت غلتشی لاستیک با استفاده از متغیرهای بار عمودی، فشار باد و درصد رطوبت خاک برابر با 0/850=R2 به دست آمد. از یک شبکۀ عصبی مصنوعی چند لایۀ پیش‌خور با الگوریتم توزیع معکوس و تابع آموزشی لونبرگ- مارکوآرت برای آموزش شبکه و از دو لایۀ پنهان در معماری شبکۀ عصبی مصنوعی استفاده گردید. از دو معیار ریشۀ میانگین مربع خطا (RMSE) و مربع ضریب همبستگی (R2) برای ارزیابی نتایج به دست آمده استفاده شد. نتایج تحقیق نشان میدهد که با توجه به متغیرهای مورد آزمون، فشار باد لاستیک، پارامتر کنترل‌کنندۀ مقاومت غلتشی لاستیک در سطوح رطوبتی پایین است؛ و درصد رطوبت خاک، تأثیرگذارترین پارامتر بر مقاومت غلتشی لاستیک در مدل رگرسیونی است. ضریب تبیین به دست آمده با استفاده از شبکۀ عصبی0/977=R2 برتری استفاده از این مدل را نسبت به مدل رگرسیونی نشان میدهد. | ||
| کلیدواژه‌ها | ||
| آزمون فاکتوریل؛ آزمونگر تک‌چرخ؛ انبارۀ خاک؛ برهمکنش لاستیک- خاک | ||
| عنوان مقاله [English] | ||
| Prediction of Tire Rolling Resistance with Regression Model and Artificial Neural Network (ANN) | ||
| نویسندگان [English] | ||
| Payam Farhadi1؛ Abdollah Golmohammadi2؛ Ahmad Sharifi-Malvajerdi3؛ Gholamhossein Shahgholi4 | ||
| 1Department of Biosystem Engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| 2Associate Professor, Department of Biosystem Engineering, Faculty of Agriculture and Natural Resources, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| 3Associate Professor, Agricultural Engineering Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran | ||
| 4University of Mohaghegh Ardabili, Faculty of Agriculture and Natural Resources, Department of Biosystem Engineering | ||
| چکیده [English] | ||
| In this study, a single tire tester was used to study the effects of vertical load, inflation pressure and moisture content on tire rolling resistance in a soil bin. A Goodyear 12.4-28, 6 ply tractor drive tire was employed and the soil texture was a clay loam. The experimental design was a completely randomized with factorial layout at three replications. A multivariate regression model was obtained with the correlation coefficient of R2=0.85 to predict the tire rolling resistance based on vertical load, inflation pressure, and moisture content. A multilayer feed-forward ANN (artificial neural network) with standard BP (back propagation) algorithm and LM (Levenberg-Marquardt) training function by using of two hidden layer in the network architecture was employed. RMSE (root mean squared error) and R2 was used as modeling performance criteria. Tire inflation pressure was identified as the controller parameter of tire rolling resistance at low moisture content and also moisture content was the most effective parameter on changing of rolling resistance in regression model. Also the obtained R2=0.977 from ANN model showed that ANN data were more close to actual data than the regression model. | ||
| کلیدواژه‌ها [English] | ||
| Single Wheel Tester, Soil Bin, Tire-Soil Interaction, Factorial Test | ||
| مراجع | ||
|
Alimardani, R., Abbaspour-Gilandeh, Y., Khalilian, A., Keyhani, A., & Sadati, S. H. (2009). Prediction of draft force and energy of subsoiling operation using ANN model. International Journal of Food, Agriculture & Environment (JFAE), 7, 537-542.
Anon. (1985). ASTM D 2487-83. Classification of soils for engineering purposes. American Society for Testing and Materials: Annual Book of ASTM Standards., pp. 395-408.
Anon (1999). Standard Test Method for Laboratory Determination of Water (Moisture) Content of Soil and Rock by Mass. ASTM D 2216-98, Annual book of ASTM Standards.
Anon. (2009). General Terminology for Traction of Agricultural Traction and Transport Devices and Vehicles. ANSI/ASAE S296.5 DEC2003 (R2009) Standard. ASABE, USA.
Anon. (2014). Artificial neural network toolbox user’s guide, for the use of Matlab.
Anon. (2017). Goodyear Tires. Available at: http://tiregroup.com.
Döll, H. (1999). Lohnen Zwillingsräder an Mähdreschern. Landwirtschaft ohne Pflug Sonderaufgabe Agritechnica.
Gill, W. R., & Vanden-Berg, G. E. (1968). Soil dynamics in tillage and traction. Agricultural Research Service, US Department of Agriculture.
González-Cueto, O., Iglesias-Coronel, C. E., Recarey-Morfa, C. A., Urriolagoitia-Sosa, G., Hernández-Gómez, L. H., Urriolagoitia-Calderón, G., & Herrera Suárez, M. (2013). Three dimensional finite element model of soil compaction caused by agricultural tire traffic. Computers and Electronics in Agriculture, 99, 146-152.
González-Cueto, O., Iglesias-Coronel, C. E., López-Bravo, E., Recarey-Morfa, C. A., & Herrera-Suárez, M. (2016). Modelling in FEM the soil pressures distribution caused by a tyre on a Rhodic Ferralsol soil. Journal of Terramechanics, 63, 61-67.
Hauck, D., Hofman, V., & Kucera, H. (1984). Traction-horsepower demonstration. Paper/ASAE 84, 1061.
Michael, M., Vogel, F., & Peters, B. (2015). DEM–FEM coupling simulations of the interactions between a tire tread and granular terrain. Computer Methods in Applied Mechanics and Engineering, 289, 227-248.
Naderi-Boldaji, M., Alimardani, R., Hemmat, A., Sharifi, A., Keyhani, A., Tekeste, M. Z., & Keller, T. (2014). 3D finite element simulation of a single-tip horizontal penetrometer–soil interaction. Part II: Soil bin verification of the model in a clay-loam soil. Soil and Tillage Research, 144, 211-219.
Nakashima, H., & Oida, A. (2004). Algorithm and implementation of soil–tire contact analysis code based on dynamic FE-DE method. Journal of Terramechanics 41, 127-137.
Taghavifar, H., Mardani, A., Karim-Maslak, H., & Kalbkhani, H. (2013). Artificial ,Neural Network estimation of wheel rolling resistance in clay loam soil. Applied Soft Computing, 13, 3544-3551.
Taghavifar, H., Mardani, A. (2013). Investigating the effect of velocity, inflation pressure, and vertical load on rolling resistance of a radial ply tire. Journal of Terramechanics, 50, 99-106.
Taghavifar, H., & Mardani, A. (2014a). Application of artificial neural networks for the prediction of traction performance parameters. Journal of the Saudi Society of Agricultural Sciences, 13, 35-43.
Taghavifar, H., & Mardani, A. (2014b). Applying a supervised ANN (artificial neural network) approach to the prognostication of driven wheel energy efficiency indices. Energy, 68, 651-657.
Taghavifar, H., & Mardani, A. (2014c). Effect of velocity, wheel load and multipass on soil compaction. Journal of the Saudi Society of Agricultural Sciences, 13, 57-66.
Wong, J. Y. (2001). Theory of Ground Vehicles. John Wiley & Sons, Inc.
Wulfsohn, D., Upadhyaya, S., & Chancellor, W. (1988). Tractive characteristics of radial ply and bias ply tyres in a California soil. Journal of Terramechanics, 25, 111-134.
| ||
|
آمار تعداد مشاهده مقاله: 1,014 تعداد دریافت فایل اصل مقاله: 447 |
||