لینک دانلود و خرید پایین توضیحات

دسته بندی : وورد (word)

نوع فایل : .doc ( قابل ويرايش و آماده پرينت )

تعداد صفحات : 16 صفحه

قسمتی از متن .doc :

پيش‌بيني نيروي كششي و انرژي خاك‌ورزي عمليّات زیرشکنی با استفاده از مدل شبكۀ عصبي مصنوعی


چکیده
       کاربرد و توسعه شبکه عصبی مصنوعی در زمینۀ مدل کردن خصوصیّات فیزیکی و دینامیکی خاک و همچنین مطالعۀ امکان پذیری ارتباط این سیستم با روش اجزاء محدود، روز به روز در حال توسعه مي‌باشد و انتظار می‌رود که استفاده از شبکۀ عصبی مصنوعی نتایج موفقی را بخصوص در شبیه‌سازی عملکرد ادوات خاک‌ورزی و رفتار دینامیکی خاک در مقابل ابزار ارائه نماید. دليل استفاده از شبكه عصبي در اين كارها قدرت پيش‌بيني بالاي اين روش و همچنين عدم وجود رابطۀ ریاضی مشخص بين متغيّرهاي مستقل و وابسته مي‌باشد. در این تحقیق به‌منظور توسعۀ مدل پيش‌بيني نيروي كششي و انرژي خاك‌ورزي عمليات زیرشکنی، پارامترهايي سرعت پیشروی تراکتور، عمق خاك‌ورزي و پارامترهاي مختلف خاك (شاخص مخروطي‌، محتوي رطوبتي، هدایت الکتریکی، درصد رس، درصد شن و ...) مورد استفاده قرار گرفتند. آزمايش هایی به منظور جمع‌آوري داده‌هاي مورد نياز در سه نوع خاک جلگه‌ای ساحلی متفاوت در منطقه جنوب شرقی آمریکا انجام شد. شبکه‌های عصبی مصنوعی طرّاحی شده در این تحقیق که به‌منظور پیش‌بینی نیروی کششی و انرژی مورد عملیّات خاک‌ورزی مورد استفاده قرار گرفتند، از نوع شبکه چند لایۀ پس انتشار برگشتی بودند که به‌منظور آموزش شبکه از سه الگوریتم گرادیان نزولی با مومنتم، الگوریتم لونبرگ- مارکوات و الگوریتم گرادیان نزولی مقیاسی استفاده ‌گردید. انتخاب بهترین الگوریتم آموزشی براساس مقایسۀ عملکرد شبکه‌های ساخته شده (در مرحلۀ آموزش و آزمون داده‌ها) انجام گردید. با توجه به دقّت پیش‌بینی بالا (8/95%) و دقّت شبیه‌سازی بالاتر (6/97%) استفاده از الگوریتم لونبرگ- مارکوات (با دو لایۀ میانی با تعداد 12 عدد نرون در لایۀ اوّل و 10 عدد نرون در لایۀ دوّم) در مقایسه با سایر الگوریتم‌های آموزشی به ‌منظور پیش‌بینی نیروی کششی و انرژی خاک‌ورزی موردنیاز مناسب تشخيص داده شد. نمودارهای نقطه‌ای بدست آمده ضریب تبیین مدل 996/0 =2R در آموزش شبکه و ضریب تبیین مدل 987/0 =2R در جریان تست شبکه بین داده‌های واقعی و داده‌های بدست آمده از شبکۀ عصبی برای این حالت را نشان می‌دهند. همچنین به ‌منظور ارزیابی مدل‌های شبکۀ عصبی مصنوعی، داده‌های بدست آمده از این مدل‌ها با داده‌های مدلهای رگرسیونی (مدل ارائه شده توسط انجمن مهندسین کشاورزی آمریکا و مدل گارنر) مورد مقایسه قرار گرفتند. مقایسۀ نتایج بدست آمده از مدل شبکۀ عصبی مصنوعی و مدلهای رگرسیونی به ‌منظور پیش‌بینی نیروی کششی مورد نیاز عملیّات زیرشکنی نشان داد که مدل شبکۀ عصبی مصنوعی داده‌های بسیار نزدیکتری به داده‌های واقعی در مقایسه با سایر مدل های رگرسیونی ارائه کرد.