- همه نشریات
- نشریات علمی سازمان تحقیقات، آموزش و ترویچ کشاورزی
- مجلات ترویجی سازمان تحقیقات، آموزش و ترویج کشاورزی
- سایر نشریات سازمان تحقیقات، آموزش و ترویج کشاورزی
- نشریات علمی انجمن ها
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی
پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,728 |
| تعداد مقالات | 31,067 |
| تعداد مشاهده مقاله | 28,479,672 |
| تعداد دریافت فایل اصل مقاله | 16,287,441 |
پیش‌بینی تأثیر کود دامی و تردد تایر تراکتور بر تراکم خاک رسی با استفاده از شبکه های عصبی پرسپترون چندلایه | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 2، دوره 21، شماره 75، آذر 1399، صفحه 1-22 اصل مقاله (1.87 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2018.115790.1219 | ||
| نویسندگان | ||
| کامل قادرنژاد1؛ غلامحسین شاهقلی* 2؛ عارف مردانی کرانی3 | ||
| 1دانشجوی دکتریT گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی | ||
| 2دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی، اردبیل، ایران | ||
| 3دانشیار گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
| چکیده | ||
| یکی از راه‌های کاهش تراکم خاک، اضافه کردن کودهای آلی و مدیریت تردد در زمینهای کشاورزی است. در این تحقیق، کود دامی بر مبنای صفر، 45، 60 و 90 تن در هکتار با خاک رسی مخلوط شد. پس از گذشت 6 ماه (شهریور تا اسفندماه)، در چهار سطح تردد 1، 6، 11 و 16 و در سه سطح رطوبت 8، 11 و 14 درصد در سه عمق 10، 20 و 30 سانتی‌متری، تراکم خاک آزمایش شد. آزمایشها در انبارۀ خاک دانشگاه ارومیه زیر چرخ 220/65 R 21 تراکتور با استفاده از آزمونگر تک‌چرخ با بار ثابت 4 کیلونیوتن، فشار باد تایر برابر 110 کیلو پاسکال و سرعت پیشروی 88/2 کیلومتر بر ساعت، بررسی شد. در تیمار 90 تن کود دامی بر هکتار، نسبت به تیمار بدون کود، میزان کاهش جرم مخصوص و نشست خاک به ترتیب 7/14 و 94/6 درصد اندازهگیری شد. با افزایش تعداد تردد از 1 به 16 و افزایش رطوبت از 8 به 14 درصد، جرم مخصوص 21/7 و 92/7 درصد افزایش نشان یافته است. برای مدلسازی، از شبکۀ عصبی پرسپترون چند لایه (MLP-ANN)، با 6 نورون در لایۀ پنهان با تابع انتقال سیگموییدی و تابع انتقال خطی برای نورون خروجی، استفاده شد. مقایسۀ نتایج به دست آمده از مدل و نتایج تجربی نشان‌دهندۀ ضریب همبستگی 99/0 بین این مقادیر است. مقدار میانگین مربعات خطای مدل (MSE) و درصد میانگین مطلق خطای سیستم (MAPE) به ترتیب 0119071/0 و 0009641/0 به دست آمد که نشان از دقت بالای مدل شبکۀ عصبی در تخمین مقادیر تراکم خاک دارد. | ||
| کلیدواژه‌ها | ||
| آزمونگر تک چرخ؛ استوانه نمونه‌برداری؛ انباره خاک؛ مدلسازی | ||
| عنوان مقاله [English] | ||
| Predicting tthe Effect of Farmyard Manure and Number of Passes of Tractor Tire on Clay Soil Compaction Using Multilayer Perceptron Neural Networks | ||
| نویسندگان [English] | ||
| kamel قادرنژاد1؛ Gholamhossein Shahgholi2؛ Aref Mardani3 | ||
| 1Ph. D. Student, University of Mohaghegh Ardabili, Faculty of Agriculture and Natural Resources, Department of Biosystem Engineering, Ardabil, Iran | ||
| 2Associate Professor, University of Mohaghegh Ardabili, Faculty of Agriculture and Natural Resources, Department of Biosystem Engineering, Ardabil, Iran | ||
| 3Associate Professor, University of Urmia, Faculty of Agriculture, Department of Biosystem Engineering, Urmia, Iran | ||
| چکیده [English] | ||
| One way to reduce soil compaction is to add organic matter and to manage the field traffic. In this research, farmyard manure was incorporated into clay soil with rates of 0, 45, 60, 90 ton ha-1. After 6 months (September to March), at different numbers of tyre passes of 1, 6, 11 and 16, and three soil moisture contents of 8%, 11% and 14% soil compaction was evaluated measuring soil bulk density and soil sinkage. Experiments were conducted in the soil bin at the Urmia University under a single trector’s tire 220/65 R 21l under a constant load of 4 kN, inflation pressure of 110 kPa and at a forward velocity of 2.88 km hr-1. It was found that at manure rate of of 90 ton ha-1, comparing to no-manure treatment, soil bulk density and soil sinkage decreased by 14.7 and 6.94 percent, respectively. Also, increasing the number of tyre passes from 1 to 16 and increasing soil moisture content from 8 to 14 percent, increased soil bulk density 7.21% and 7.92%, respectively. For neural network modeling multilayer perceptron network with six neurons in the hidden layer with sigmoid transfer function and linear transfer function for the output neuron was used. Comparison of neural network output and experimental results showed high correletion with correlation coefficient of R= 0.99 between them. The mean square error (MSE) of the model and mean absolute percentage error of the system (MAPE) were 0.0119071 and 0.0009641,respectivly, which showed high accuracy of neural network to model soil compaction. | ||
| کلیدواژه‌ها [English] | ||
| Cylindrical Cores, Modeling, Single Wheel Tester, Soil Bin | ||
| مراجع | ||
|
Allmaras, R., Fritz, V. A., Pfleger, F. L., & Copeland, S. M. (1998). Common root rot of pea (Pisum sativum L.): oat pre-crop and traffic compaction effects in fine-textured mollisols. In: Box, J. E. (Eds.) Root Demographics and Their Efficiencies in Sustainable Agriculture, Grasslands and Forest Ecosystems. Springer.
Anderson, J. A., & Rosenfeld, E. (1993). Neurocomputing. Vol. 2. MIT Press.
Anon. (2007). ASTM Standard D698. Standard Test Methods for Laboratory Compaction Characteristics of Soil Using Standard Effort, ASTM International, West Conshohocken.
Balbuena, R. H., Terminiello, A. M., Claverie, J. A., Casado, J. P., & Marlats, R. (2000). Soil compaction by forestry harvester operation: evolution of physical properties. Revista Brasileira de Engenharia Agricola E Ambiental, 4, 453-459.
Beale, M. H., Hagan, M. T., & Demuth, H. B. (2010). Neural Network Toolbox 7. User’s Guide, MathWorks.
Benjamin, J. R., & Cornell, C. A. (2014). Probability, statistics, and decision for civil engineers. Courier Dover Publications.
Canillas, E. C., & Salokhe, V. M. (2002). Modeling compaction in agricultural soils. Journal of Terramechanics, 39, 71-84.
Çarman, K. (2008). Prediction of soil compaction under pneumatic tires a using fuzzy logic approach. Journal of Terramechanics, 45, 103–108.
Chelani, A. B., Gajghate, D. G., & Hasan, M. Z. (2002). Prediction of ambient PM and toxic using artifical netural networks. Journal of Air Waste Management Association, 52, 805-810.
Davis, T. (2008). Geotechnical testing, observation, and documentation. American Society of Civil Engineers.
Demuth, H., & Beale, M. (1993). Neural network toolbox for use with MATLAB. The MathWorks.
Ekwue, E. I., & Stone R. J. (1995). Organic matter effects on the strength properties of compacted agricultural soils. Transactions of the ASAE, 38, 357-365.
Ferrara, C., Barone, P. M., & Salvati, L. (2015). Toward a socieconomic profile for areas vulnerable to soil compaction? A case study in Mediterranean country. Geoderma, 247-248, 97-107.
Günaydın, O. (2009). Estimation of soil compaction parameters by using statistical analyses and artificial neural networks. Environmental Geology, 57(1), 203-215.
Haykin, S. (2004). Neural networks, A comprehensive foundation. Amazon.
Hamza, M. A., & Anderson, W. K. (2005). Soil compaction in cropping systems A review of the nature, causes and possible solutions. Soil and Tillage Research, 82, 121-145.
Hecht-Nielsen, R. (1987). Kolmogorov’s mapping neural network existence theorem. In Proceedings of the International Conference on Neural Networks, New York: IEEE Press. July 23-26. 3, 11–14.
Hewitson, B. C., & Crane, R. G. (1994). Neural nets: Applications in geography. Springer.
Johari, A., Javadi, A., & Habibagahi, G. (2011). Modelling the mechanical behaviour of unsaturated soils using a genetic algorithm-based neural network. Computers and Geotechnics, 38(1), 2-13.
Kurjenluoma, J., Alakukku, L., & Ahokas, J. (2009). Rolling resistance and rut formation by implement tires on tilled clay soil. Journal of Terramechanics, 46, 267-275.
Lam, D., & Pupp, C. (1993). Expert system and modeling for state of environment reporting. In 2nd International Conference on Integrating GIS and Environmental Modeling. Sep. 26-30. Breckenridge, CO.
Mardani, A., Shahidi, K., Rahmani, A., Mashoofi, B., & Karimmaslak, H. (2010). Studies on a long soil bin for soil-tool interaction. Cercetări Agronomice în Moldova, 142, 5-10.
Menhaj, M. (2005). Fundamentals of Neural Networks. Third Ed. Amirkabir University Press. (in Persian)
Mosaddeghi, M. R., Hajabbasi, M. A., Hemmat, A., & Afyuni, M. (2000). Soil compactibility as affected by soil moisture content and farmyard manure in central Iran. Soil and Tillage, 55, 87-97.
McClelland, J. L., & Rumelhart, D. E. (1989). Explorations in parallel distributed processing: A handbook of models, programs, and exercises. MIT press.
Navabian, M., Liaghat, A. M., & Homayi, M. (2004). Neural network for fast estimation of saturated hydraulic conductivity. Prediction of Electrical conductivity with neural networks. The Second National Water and Soil Conference. Dec. 10-12. Tehran, Iran. (in Persian)
Ohu, J. O., Ekwue, E. I., & Folorunso, O. A. (1994). The effect of addition of organic matter on the compaction of a Vertisol from northern Nigeria. Soil Teach, 7, 155-162.
O,Sullivan, M. F. (1992). Uniaxial compaction effects on soil physical properties in relation to soil type and cultivation. Soil & Tillage Research, 24, 257-269.
Patel, S., & Mani, I. (2011). Effect of multiple passes of tractor with varying normal load on subsoil compaction. Journal of Terramechanics, 48, 277-284.
Raghavan, G. S. V., Mckeys E., & Chasse. M. (1977). Effect of wheel slip on soil compaction. Journal of AgriulturalEngineering Research, 22, 79-83.
Raper, R. L. (2005). Agricultural traffic impacts on soil. Journal of Terramechanics, 42(3-4): 259-280.
Shahgholi, G., & Abuali, M. (2015). Measuring soil compaction and soil behavior under the tractor tire using strain transducer. Journal of Terramechanics, 59, 19-25.
Stone R. J., & Ekwue E. I. (1993). Maximum bulk density achieved during soil compaction as affected by the incorporation of three organic materials. American Society of Agricultural Engineers, 36, 1713-1719.
Söane, B., & Van Ouwerkerk, C. (1994). Soil compaction problems in world agriculture. Soil Compaction in Crop Production 11, 1-2.
Söane, B. D. (1990). The role of organic matter in soil compactibility. A review of some practical aspects. Soil and Tillage Research, 16, 179-201.
Tenpe, A., & Suneet, K. (2013). Neural network modeling of predicting compaction parameters based on index properties of soil. International Journal of Science and Research, 4(7), 1198-1202. | ||
|
آمار تعداد مشاهده مقاله: 1,193 تعداد دریافت فایل اصل مقاله: 219 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب