پیش بینی نیروی مقاوم کششی گاوآهن برگردان دار بااستفاده ازمدل شبکه عصبی مصنوعی

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 679

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCOCA01_131

تاریخ نمایه سازی: 12 بهمن 1392

چکیده مقاله:

دراین تحقیق به منظور توسعه مدل پیش بینی نیروی مقاوم کششی گاواهن برگردان دارپارامترعملیاتی سرعت پیشروی تراکتورپارامترهای ابزارخاک ورزی شامل زاویه انتهایی صفحه برگردان دار و پارامترهای مختلف خاک ازقبیل شاخص مخروطی محتوی رطوبتی و وزن مخصوص خاک مورداستفاده قرارگرفتند جهت پیش بینی نیروی مقاوم کششی گاواهن برگردان دار وارایه مدل شبکه عصبی ازداده های ازمایشات Oskoui et al. (1982 به دلیل جامع بودن ازمایشات وکافی بودن تعدادداده های موردنیاز استفاده گردید که ازمایشات درسه نوع بافت خاک انجام شده بود شبکه های عصبی مصنوعی طراحی شده دراین تحقیق که به منظور پیش بینی نیروی مقاوم کششی گاواهن برگردان دار درطی عملیات خاک ورزی مورداستفاده قرار گرفتند ازنوع شبکه چندلایه پس انتشار برگشتی بودند که به منظور اموزش شبکه ازسه الگوریتم گرادیان نزولی با مومنتم الگوریتم لونبرگ مارکوات والگوریتم گرادیان نزولی مقیاسی استفاده گردید انتخاب بهترین الگوریتم اموزشی براساس مقایسه عملکردشبکه های ساخته شده درمرحله اموزش ارزیابی و ازمون داده ها انجام گردید باتوجه به دقت پیش بینی و شبیه سازی بالا استفاده ازالگوریتم لونبرگ مارکوات بایک لایه میانی با تعداد 20عددنرون درمقایسه باسایرا لگوریتم های اموزشی به منظورپیش بینی نیروی مقاوم کششی عملیات خاک ورزی موردنیاز مناسب تشخیص داده شد

کلیدواژه ها:

نویسندگان

یوسف عباسپورگیلانده

استادیاردانشگاه محقق اردبیلی

علیرضا شایگانی سلطانپور

دانشجوی کارشناسی ارشد

شهرام محسنی

مربی مجتمع آموزشی جهادکشاورزی استان اردبیل

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Alimardani, R., Abbasp our-Gilandeh, Y., Khalilian, _ Keyhani, A., and ...
  • Azadeh, A., Ghaderi, S.F., Sohrabkhani, S. 2006. Forecasting electrical consumption ...
  • ASAE Standards, 2004a. ASAE S313.3 FEB04 soil cone penetrometer. In: ...
  • Davidson, J.B., Fletcher, L.J., Collins, E.V. 1919. Influence of speed ...
  • Gautam, R.K., , Panigrahi, S., Franzen, D. 2003. Neural network ...
  • Ghaboussi, J., Garrett, J.H., Wu, X. 1991. Knowledge-b ased modeling ...
  • Goh ATC. 1995. B ack-prop agation neural network for modeling ...
  • Kaul, M., Hill, R.L, Walthall, C. 2005. Artificial neural networks ...
  • Kushwaha, R.L., Zhang, Z. X. 1998. Evaluation of factors and ...
  • Levine, E.R., Kimes, D.S., Sigillito, V.G. 1996. Classifying soil structure ...
  • MATLAB 1994. Neural Network TOOLBOX. Natick, MA: The Mathworks Inc. ...
  • Ocock, C.A. 1912. The draft of plows. Transactions of the ...
  • Oskoui, E., Rackamt, D.H., Witney, B.D. 1982. The me asurmenation ...
  • Oskoui, K.E., Witney, B.D. 1982. The determination of plough drought-part ...
  • Soane, D.J., Campbell, D.J., Herkes, J.M. 1971. Hand held gamma ...
  • Torrecilla, J.S., Otero, L, , Sanz, P.D. 2004. A neural ...
  • نمایش کامل مراجع