نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکترای مهندسی بیوسیستم گروه مهندسی بیوسیستم، دانشکده کشاورزی و منابع طبیعی دانشگاه محقق اردبیلی، اردبیل، ایران

2 دانشیار گروه آموزشی مهندسی بیوسیستم، دانشکده‌ کشاورزی و منابع طبیعی دانشگاه محقق اردبیلی، اردبیل، ایران

3 دانشیار موسسه تحقیقات فنی و مهندسی کشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، کرج، ایران

4 دانشیار 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

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.