اخبار و اعلانات

 آمار

تعداد نشریات286
تعداد نشریات سازمان84
تعداد شماره‌ها2,829
تعداد مقالات32,098
تعداد مشاهده مقاله40,864,068
تعداد دریافت فایل اصل مقاله18,113,688
ساعدی, زهرا, نادری بلداجی, مجتبی, حسین زاده سامانی, بهرام. (1397). ارائه یک الگوریتم برای پیش‌بینی روزانه تنش پیش‌تراکم خاک (مطالعه موردی در شهرستان شهرکرد). سامانه مدیریت نشریات علمی, 19(71), 1-16. doi: 10.22092/erams.2017.110250.1192
زهرا ساعدی; مجتبی نادری بلداجی; بهرام حسین زاده سامانی. "ارائه یک الگوریتم برای پیش‌بینی روزانه تنش پیش‌تراکم خاک (مطالعه موردی در شهرستان شهرکرد)". سامانه مدیریت نشریات علمی, 19, 71, 1397, 1-16. doi: 10.22092/erams.2017.110250.1192
ساعدی, زهرا, نادری بلداجی, مجتبی, حسین زاده سامانی, بهرام. (1397). 'ارائه یک الگوریتم برای پیش‌بینی روزانه تنش پیش‌تراکم خاک (مطالعه موردی در شهرستان شهرکرد)', سامانه مدیریت نشریات علمی, 19(71), pp. 1-16. doi: 10.22092/erams.2017.110250.1192
ساعدی, زهرا, نادری بلداجی, مجتبی, حسین زاده سامانی, بهرام. ارائه یک الگوریتم برای پیش‌بینی روزانه تنش پیش‌تراکم خاک (مطالعه موردی در شهرستان شهرکرد). سامانه مدیریت نشریات علمی, 1397; 19(71): 1-16. doi: 10.22092/erams.2017.110250.1192

ارائه یک الگوریتم برای پیش‌بینی روزانه تنش پیش‌تراکم خاک (مطالعه موردی در شهرستان شهرکرد)

تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی
مقاله 2، دوره 19، شماره 71، دی 1397، صفحه 1-16    اصل مقاله (1.35 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22092/erams.2017.110250.1192
نویسندگان
زهرا ساعدی1؛ مجتبی نادری بلداجی* 2؛ بهرام حسین زاده سامانی3
1دانش آموخته کارشناسی ارشد مهندسی مکانیزاسیون کشاورزی، گروه مهندسی مکانیک بیویسیستم دانشگاه شهرکرد
2دانشیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران
3و استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران
چکیده
برای مدیریت تردد و فشردگی خاک در مزرعه نیاز است تنش وارد شده به خاک در اثر عبور تایر ماشین تا سطحی کمتر از ظرفیت باربری خاک (تنش پیش‌تراکم، σpc) کنترل شود تا تردد ماشین باعث افزایش تراکم نگردد. تنش پیش‌تراکم تابعی است در درجۀ اول از رطوبت خاک و در درجۀ دوم از بافت خاک. هدف اصلی از این مطالعه، توسعۀ یک الگوریتم
تجربی- تحلیلی برای پیش‌بینی روز‌انۀ تنش پیش‌تراکم خاک در مزرعه‌ای در دانشگاه شهرکرد است. تحلیل‌های آماری نشان می‌دهد که با استفاده از متغیرهای هواشناسی هر سال شامل داده‌های بارش همان روز و روز قبل، دما، تابش و سرعت باد می‌توان تغییرات رطوبت خاک را به‌خوبی پیش‌بینی کرد (85/0 R2 = و % 3/3 (RMSE=. برای تعیین ارتباط بین رطوبت خاک و تنش پیش‌تراکم، نمونه‌های خاک در سه سطح چگالی ظاهری 15/1، 22/1 و Mg m-3 3/1 و چهار سطح رطوبتی 10، 15، 20 و 25 درصد وزنی در آزمایشگاه تهیه و روی آنها آزمون فشار گام به گام تک‌محوری محصور اجرا شد. تنش پیش‌تراکم از نقطۀ بیشینۀ انحنای منحنی لگاریتم تنش- نسبت پوکی با تحلیل تابع گمپرتز تخمین زده شد. با استفاده از مدل تحلیلی ایلبانا و ویتنی و با ارتباط تجربی بین شاخص مخروط و تنش پیش‌تراکم، پیش‌بینی تنش پیش‌تراکم از یک بافت خاک به کلیۀ بافت‌ها تعمیم داده شد. نتایج بررسی‌ها نشان می‌دهد که این مدل تحلیلی اثر رطوبت را  در تغییر تنش پیش‌تراکم به خوبی بیان می کند. الگوریتم طراحی شده در این مطالعه مd تواند در مدیریت و تردد ماشین و تعیین روزهای تردد‌پذیر هر سال زراعی استفاده شود.

کلیدواژه‌ها
تراکم خاک؛ تردد ماشین؛ روز تردد‌پذیر؛ رطوبت خاک؛ ظرفیت باربری خاک
عنوان مقاله [English]
An algorithm for daily prediction of soil precompression stress (Case study in Shahrekord)
نویسندگان [English]
Zahra Saedi1؛ Mojtaba Maderi-Boldaji2؛ Bahram Hosseinzadeh3
1Master student of Agricultural Mechanization Engineering, Department of Mechanical Engineering of Biosystems, Shahrekord University
3Department of Mechanical Engineering of Biosystems, Shahrekord University
چکیده [English]
To manage the traffic-induced soil compaction in a field, the applied stress on soil with machinery traffic needs to be controlled below the soil bearing capacity (i.e. precompression stress, σpc) to prevent increase in soil compaction. Precompresson stress is primarily a function of soil moisture and secondarily soil texture. This study aimed at developing an empirical -analytical algorithm for daily prediction of soil precompression stress in a selected field at Shahrekord University. Statistical analyses showed that using the meteorology variables of each year including the precipitation of the target day and its previous day, temperature, radiation and wind velocity, daily changes in soil moisture could be well predicted (R2 = 0.85, RMSE= 3.3%).  To determine the relationship between the soil moisture and precompression stress, remolded soil samples were prepared at three bulk densities of 1.15, 1.22 and 1.3 Mg m-3 and four moisture levels of 10, 15, 20 and 25% and subjected to stepwise confined compressive stress. Precompression stress was estimated at the point of maximum curvature on the void ratio- log stress curves with fitting Gompertz function. In addition, the analytical model of Elbanna & Witney (1987) was tested for extending the results to different soil textures using an empirical relation between cone index and precompression stress. The results showed that the model predicts well the variations in precompression stress as affected by soil moisture. The algorithm developed in this study can be implemented in managing the machinery traffic and predicting the trafficable days of each year.
کلیدواژه‌ها [English]
Machinery Traffic, Soil Bearing Capacity, soil compaction, Soil Moisture, Trafficable Day
مراجع

Arvidsson, J. and Keller, T. 2004. Soil precompression stress: I. A survey of Swedish arable soils. Soil Till. Res. 77, 85-95.

Arvidsson, J., Sjoberg, E., van den Akker, Jon J. H. 2003. Subsoil compaction by heavy sugarbeet harvesters in southern Sweden: III. Risk assessment using a soil water model. Soil Till. Res.73, 77-87.

Campbell, D. J. and O’Sullivan, M. F. 1991. The Cone Penetrometer in Relation to Trafficability, Compaction and Tillage. In: K. A. Smith and C. E. Mullins (Eds.) Soil Analysis: Physical Methods. Marcel Defier. New York.

Casagrande, A. 1936. The determination of pre-consolidation load and its practical significance. Proceedings of the International Conference on Soil Mechanics and Foundation Engineering. June
22-26. Cambridge, MA. 3, 60-64.

Earl, R. 1997. Prediction of trafficability and workability from soil moisture deficit. Soil Till. Res. 40,
155-168.

Elbanna, E. B. and Witney, B. D. 1987. Cone penetration resistance equation as a function of the clay ratio, soil moisture content and specific weight. J. Terramech. 24(1): 41-56.

Fallah-Ghalhary, G. A., Mousavi-Baygi, M. and Habibi-Nokhandan, M. 2007. Seasonal rainfall forecasting based on synoptically pattern of sea level pressure and sea level pressure gradient by means of statistical models. Agric. Sci. Technol. J. 21, 95-104. (in Persian)

Fallahi, M., Varvani, H. and Golian, S. 2011. Predicting precipitation regression model tree for flood control. 5th conference on Watershed Management and Soil and Water Resources Management, Kerman, Iran. (in Persian)

Gholizadeh, M. H. and Darand, M. 2010. Forecasting monthly precipitation using artificial neural networks. A case study: Tehran.  Phys. Geog. Res. Quart. 42, 51-63. (in Persian)

Gompertz, B. 1825. On the nature of the function expressive of the law of human mortality, and on a new mode of determining the value of life contingencies. Phil. Trans. R. Soc. Lond. 115, 513-585.

Gregory, A. S., Whalley, W. R., Watts, C. W., Bird, N. R. A., Hallett, P. D. and Whitmore, A. P. 2006. Calculation of the compression index and precompression stress from soil compression test data. Soil Till. Res. 89, 45-57.

Gosav, S., Dinica, R. and Praisler, M. 2008. Choosing between GC-FTIR and GC-MS spectra for an efficient intelligent identification of illicit amphetamines. J. Mol. Struct. 887(1-3): 269-278.

Gut, S., Chervet, A., Stettler, M., Weisskopf, P., Sturny, W. G., Lamandé, M., Schjønning, P. and Keller, T. 2015. Seasonal dynamics in wheel load-carrying capacity of a loam soil in the Swiss Plateau. Soil Use. Manage. 31, 132-141.

Hall, T. Harold, E. B. and Charles, A. D. 1998. Precipitation forecasting using a neural network. Wea. Forecast. 14, 338-345.

Hamza, M. A. and Anderson, W. K. 2005. Soil compaction in cropping systems: A review of the nature, causes and possible solutions. Soil Till. Res. 82, 121-145.

Hemmat, A. and Adamchuk, V. I. 2008. Sensor systems for measuring soil compaction: Review and analysis. Comput. Electron. Agric. 63, 89-103.

Hemmat, A., Yaghoubi-Taskoh, M., Masoumi, A. and Mosaddeghi, M. R. 2014. Relationships between rut depth and soil mechanical properties in a calcareous soil with unstable structure. Biosyst. Eng.
118, 147-155.

Hoogmoed, W. B., Cadena-Zapata, M. and Perdok, U. D. 2003. Laboratory assessment of the workable range of soils in the tropical zone of Veracruz, Mexico. Soil Till. Res. 74, 169-178.

Horn, R. and Fleige, H. 2003. A method for assessing the impact of load on mechanical stability and on physical properties of soils. Soil Till. Res. 73, 89-99.

Hung, N. Q., Babel, M. S., Weesakul, S. and Tripathi, N. K. 2008. An artificial neural network model for rainfall forecasting in Bangkok, Thailand. Hydrol. Earth. Syst. Sc. 5, 183-218.

Koolen, A. J. 1982. Precompaction stress determination on precompacted soil. Proc. 9th Conference International on Soil Tillage Research Organization (ISTRO). Osijek, Yugoslavia.

Lebert, M. and Horn, R. 1991. A method to predict the mechanical strength of agricultural soils. Soil Till. Res. 19, 275-289.

Linker, R., Shmulevich, I., Kenny, A. and Shaviv, A. 2005. Soil identification and chemometrics for
direct determination of nitrate in soils using FTIR-ATR mid-infrared spectroscopy. Chemosphere. 61(5): 652-658.

Mosaddeghi, M. R., Hemmat, A., Hajabbasi, M. A. and Alexandrou, A. 2003. Pre-compression stress and its relation with the physical and mechanical properties of a structurally unstable soil in central Iran. Soil Till. Res. 70, 53-64.

Naderi-Boldaji, M., Hemmat, A. and Keller, T. 2017. The relationship between horizontal penetrometer resistance and soil pre-compaction stress. J. Agric. Eng. 40(2): 153-169. (in Persian)

Plamen, N., George, N. and Varmuza, K. 1999. Automatic classification of infrared spectra using a set of improved expert-based features. Analytica Chimica Acta. 388, 145-159.

Purbasirat, S. 2017. Prediction of some parameters affecting on agricultural practices using artificial neural network in Shahrekord Township. M. Sc. Thesis. Faculty of Agriculture. Shahrekord University. Shahrekord, Iran. (in Persian)

Rotz, C. A. and Harrigan, T. M. 2005. Predicting suitable days for field machinery operations in a whole farm simulation. Appl. Eng. Agric. 21(4): 563-571.

Saffih-Hdadi, K., Défossez, P., Richard, G., Cui, Y. J., Tang, A. M. and Chaplain, V. 2009. A method for predicting soil susceptibility to the compaction of surface layers as a function of water content and bulk density. Soil Till. Res. 105, 96-103.

Solamani, K. 2009. Rainfall-runoff prediction based on artificial neural network (A case study: Jarahi Watershed). American- Eurasian J. Agric. Environ. Sci. 5(6): 856-865.

Vogt, S. and Sacher, D. 2001. A neural network method for wind estimation using wind profiler data. Meteorol. Z. 10(6): 479-487.

Vero, S. E., Antille, D. L., Lalor, S. T. J. and Holden, N. M. 2014. Field evaluation of soil moisture deficit thresholds for limits to trafficability with slurry spreading equipment on grassland. Soil Use Manage. 30, 69-77.

Wang, Z. L. and Sheng, H. H. 2010. Rainfall prediction using generalized regression neural network: Case study Zhengzhou. International Conference on Computational and Information Sciences. Dec. 17-19. Chengdu, Sichuan, China.

آمار
تعداد مشاهده مقاله: 437
تعداد دریافت فایل اصل مقاله: 348


counter
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب