نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه صنعتی اصفهان، اصفهان، ایران

2 استادیار مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران

3 استادیار دانشگاه ایلام، ایلام، ایران

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

چکیده

امروزه خاک­ورزی و مباحث مرتبط با آن برای محققان و کشاورزان اهمیت بالایی دارد. یکی از این مباحث، نیروی کششی است که عوامل زیادی بر آن تأثیر می­گذارند. دانستن مقدار تقریبی این نیرو کمک می­کند تا مثلاً ماشین­‌آلات و ادوات مناسب با شرایط موجود در مزرعه به کار گرفته شود. هدف از این تحقیق استفاده از نتایج حاصل از آزمون­های برش وین و نفوذسنج مخروطی به منظور ارائۀ مدلی برای پیش­بینی نیروی کششی ابزار خاک­ورز متقارن (گاوآهن قلمی)، بدون نیاز به
اندازه­گیری­های آزمایشگاهی است. بدین منظور چهار مزرعه در نظر گرفته شد و در هر مزرعه آزمایش­های شاخص مخروط و برش وین اجرا گردید. در هر مزرعه با در نظر گرفتن متغیرهای سرعت پیشروی (3، 5، 7 و 9 کیلومتر در ساعت) و عمق
خاک­ورزی (15، 20، 25 و 30 سانتی‌متر)، نیروی کششی گاوآهن قلمی به دست آمد. این تحقیق در مزرعه بر اساس آزمایش کرت­ خرد شده بر پایۀ طرح بلوک کاملاً تصادفی و هر آزمایش در سه تکرار اجرا شد. نتایج بررسی­ها نشان داد که با افزایش عمق نفوذ از 15 تا 30 سانتی‌متر، مقاومت برشی و شاخص مخروط خاک به ترتیب از 62/36 تا 21/48 و از 16/23 تا 86/38 درصد افزایش یافته­اند. با افزایش سرعت پیشروی و عمق خاک­ورزی، نیروی کششی به ترتیب در حدود 16/30 و 32/25 درصد افزایش یافت. با افزایش رطوبت خاک، مقدار مقاومت کششی 83/47 درصد کاهش یافت. همچنین با افزایش شاخص مخروط و مقاومت برشی خاک، نیروی کششی خاک­ورز قلمی نیز افزایش پیدا کرد. با توجه به رابطة بین متغیرهای نامبرده شده با نیروی کششی، مدلی با روش سطح پاسخ با استفاده از طرح Historical data به دست آمد. در این مدل، نیروی کششی به عنوان متغیر وابسته و متغیرهای سرعت پیشروی، عمق خاک­ورزی، شاخص مخروط و مقاومت برشی خاک به عنوان متغیرهای مستقل در نظر گرفته شدند. ضریب تعیین، جذر میانگین مربعات خطا و میانگین خطای تخمین زده شده برای این مدل به ترتیب 97/0 و 49/0 کیلونیوتن و 34/2 درصد به دست آمد که نشان‌دهندۀ دقت بالای مدل برای پیش­بینی نیروی کششی است.

کلیدواژه‌ها

Al-Suhaibani, S. A., & Ghaly, A. E. (2010). Effect of ploughing depth of tillage and forward speed on the performance of a medium size chisel plough operating in a sandy soil. American Journal of Agricultural and Biological Sciences, 3, 588-596.
Anon. (1983). RNAM test codes and procedures of farm machinery. Regional Network for Agricultural Machinery. Technical Series No. 12. Bangkok, Thailand.
Arvidsson, J., Keller, T., & Gustafsson, K. (2004). Specific draught for mouldboard plough, chisel plough and disc harrow at different water contents. Soil and Tillage Research, 79(2), 221-231.
Bentaher, H., Ibrahmi, A., Hamza, E., Hbaieb, M., Kantchev, G., Maalej, A., & Arnold, W. (2013). Finite element simulation of moldboard–soil interaction. Soil and Tillage Research. 134, 11-16.
Chaplain, V., Défossez, P., Richard, G., Tessier, D., & Roger-Estrade, J. (2011). Contrasted effects of no-till on bulk density of soil and mechanical resistance. Soil and Tillage Research, 111(2), 105-114.
Chen, H., Hou, R., Gong, Y., Li, H., Fan, M., & Kuzyakov, Y. (2009). Effects of 11 years of conservation tillage on soil organic matter fractions in wheat monoculture in Loess Plateau of China. Soil and Tillage Research, 106(1), 85-94.
Derpsch, R., & Friedrich, T. (2009). Development and current status of no-till adoption in the world. Proceedings of the 18th Triennial Conference of the International Soil Tillage Research Organisation (ISTRO). June 15-19. Izmir, Turkey.
Godwin, R. J., O’dogherty, M. J., Saunders, C., & Balafoutis, A. T. (2007). A force prediction model for mouldboard ploughs incorporating the effects of soil characteristic properties, plough geometric factors and ploughing speed. Biosystems engineering, 97(1), 117-129.
He, C., You, Y., Wang, D., & Wu, H. (2018). Estimating soil failure due to torsion via vane shear test by varying vane diameter and soil properties. Soil and Tillage Research. 177, 68-78.
Ibrahmi, A., Bentaher, H., Hamza, E., Maalej, A., & Mouazen, A. M. (2017). Advanced analytical method of mouldboard plough’s design. The International Journal of Advanced Manufacturing Technology, 88(1-4), 781-788.
Kotrocz, K., Mouazen, A. M., & Kerényi, G. (2016). Numerical simulation of soil–cone penetrometer interaction using discrete element method. Computers and Electronics in Agriculture, 125, 63-73.
Manuwa, S. I. (2012). Evaluation of soil/material interface friction and adhesion of sandy clay loam soils in southwestern Nigeria. Advances in Natural Science, 5(1), 41-46.
Mohammadi, M., Karparvarfard, S. H., Kamgar, S., & Rahmatian, M. (2020). Optimization and evaluation of working conditions new tillage blade for use in tillage tools. Journal of Agricultural Machinery. 10(2), 273-287. (in Persian)
Mostafaei, M., Javadikia, H., & Naderloo, L. (2016). Modeling the effects of ultrasound power and reactor dimension on the biodiesel production yield: Comparison of prediction abilities between response surface methodology (RSM) and adaptive neuro-fuzzy inference system (ANFIS). Energy, 115, 626-636.
Or, D., & Ghezzehei, T. A. (2002). Modeling post-tillage soil structural dynamics: A review. Soil and Tillage Research, 64(1-2), 41-59.
Pytka, J., & Konstankiewicz, K. (2002). A new optical method for soil stress and strain investigation. Soil and Tillage Research, 65(2), 243-251.
Rahmanian-Koushkaki, H., Karparvarfard, S. H., & Mortezaei, A. (2015). The effect of the operational characteristics of the tractor composite electronic measurement system by the standards of emotion on the performance of chisel plows in a clay loam soil. Agricultural Engineering International: CIGR Journal, 17(1), 44-49.
Rahmatian, M., Karparvarfard, S. H., & Nematollahi, M. A. (2018). Prediction for optimizing performance of chisel blade used in combined tillage to obtain suitable effectiveness. Iranian Journal of Biosystem Engineering, 49(1), 73-82. (in Persian)
Rahmatian, M., Yeganeh, R., & Nematollahi, M.A. (2020). Modeling and predicting of the forces on mouldboard plough by using two methods of response surface and artificial neural network. Journal of Agricultural Machinery, 10(2), 169-185. (in Persian)
Salar, M. R., & Karparvarfard, S. H. (2017). Modeling and optimization of wing geometry effect on draft and vertical forces of winged chisel plow. Journal of Agricultural Machinery, 7(2), 169-185. (in Persian)
Tagar, A. A., Changying, J., Adamowski, J., Malard, J., Qi, C. S., Qishuo, D., & Abbasi, N. A. (2015). Finite element simulation of soil failure patterns under soil bin and field testing conditions. Soil and Tillage Research, 145, 157-170.