آمار
| تعداد نشریات | 44 |
| تعداد شماره‌ها | 1,340 |
| تعداد مقالات | 16,467 |
| تعداد مشاهده مقاله | 53,444,089 |
| تعداد دریافت فایل اصل مقاله | 16,004,415 |
تعیین اندازه قطرات آفتکش با استفاده از شبکههای عصبی مصنوعی | ||
| دانش کشاورزی وتولید پایدار | ||
| مقاله 22، دوره 21، شماره 4، بهمن 1390، صفحه 75-84 اصل مقاله (353.82 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| لیلا پیمان* 1؛ اصغر محمودی2؛ شمس‌اله عبدالهپور2؛ محمد مقدم2؛ بهزاد رعنابناب3 | ||
| 1، دانشکده کشاورزی دانشگاه تبریز | ||
| 2دانشکده کشاورزی دانشگاه تبریز | ||
| 3کنولوژی طراحی شرکت تراکتورسازی تبریز | ||
| چکیده | ||
| امروزه توجه به مسائل ایمنی و زیست محیطی در تمام بخشهای کشاورزی، صنعتی و خدماتی کشورهای مختلف از اهمیت بالایی برخوردار است. در بخش کشاورزی با وجود تلاشهای فراوان برای یافتن روشهای جایگزین، سالانه میلیونها لیتر مادهی سمی برای کنترل آفات مزارع مصرف میشود. در سمپاشی مؤثر اندازه قطرات آفتکش نقش مهمی دارد اندازه‌ی قطرات تحت تاثیر عوامل متعددی از جمله فشار، قطر سوراخ نازل، گرانروی مایع پاشیده شده و سرعت وزش باد در منطقه می‌باشد در این پژوهش از شبکه پیشخور برای مدلسازی قطر حجمی متوسط استفاده شد. لایه‌های ورودی فشار سمپاشی و قطر خروجی نازل و لایه خروجی شبکه عصبی مصنوعی قطر حجمی متوسط بود. به منظور دستیابی به بهترین روش، پنج روش گرادیان نزولی، گرادیان نزولی با مومنتوم، لونبرگ مارکوآرت، دلتا بار دلتا و گرادیان مزدوج استفاده شد. با توجه به مقادیر میانگین مربعات خطا و ضریب تبیین روش گرادیان نزولی با مونتوم به عنوان بهترین روش انتخاب شد. پس از آموزش و اعتبارسنجی شبکه، میزان میانگین مربعات خطا و ضریب تبیین به ترتیب برابر0176/0 و90/0 به دست آمد. به منظور بررسی صحت پیشبینی شبکه، آزمایش‌هایی انجام شد و قطر ذرات در حالت واقعی با مقادیر حاصل از شبکه عصبی، با آزمون کای دو مقایسه گردید، تفاوت حاصل معنیدار نبود. این نتایج نشان می‌دهد که شبکههای عصبی مصنوعی می‌توانندبرآورد مناسبی در تخمین اندازه قطرات داشته باشند. | ||
| کلیدواژه‌ها | ||
| اندازه قطرات آفتکش؛ شبکه عصبی مصنوعی؛ فشار؛ قطر خروجی نازل | ||
| مراجع | ||
|
البرزی م،1386. آشنایی با شبکههای عصبی. انتشارات علمی دانشگاه صنعتی شریف، چاپ دوم. بی نام، 1389. راهنمای روشهای توزیع مکانی عوامل اقلیمی بااستفاده از دادههای نقطهای. شماره 368-الف پیمان ل، عبدلهپور ش، محمودی ا، مقدم م و رعنابناب ب، 1389. مدلسازی اندازه ذرات سم در سمپاشی با استفاده از شبکههای عصبی مصنوعی. پایاننامه کارشناسی ارشد مکانیک ماشینهای کشاورزی، دانشگاه تبریز. دانشجو ما، عباسپورفرد مح، آقخانی مح و آرین م، 1387. طراحی و ارائه نرم افزار مناسب سنجش تراکم و اندازه قطرات سم. پنجمین کنگره ملی مهندسی ماشینهای کشاورزی و مکانیزاسیون ایران، مشهد. شفیعی ف، 1371. اصول ماشینهای کشاورزی (تألیف کپنر،بینر و بارکر). چاپ اول. انتشارات دانشگاه تهران. علیزاده ح، 1363. تئوری و ساختمان ماشینهای کشاورزی (تألیف برناکی، هامان و کانافوجیسکی). انتشارات ذوقی . فاست ل، 1388. مبانی شبکههای عصبی. چاپ اول. انتشارات نصر . محمودی ا، 1385 ارائه یک الگوریتم مناسب مبتنی بر شبکه های عصبی مصنوعی جهت جداسازی پستههای خندان به روش آکوستیکی به صورت زمان واقعی. پایاننامه دکتری مکانیک ماشینهای کشاورزی، دانشگاه تهران. مصری گندشمین ت، قاسمزاده ح، عبدالهپور ش و نوید ح، 1388. بهینهسازی افت کمباین با استفاده از سیستمهای هوشمند. رساله دکتری در رشته مهندسی مکانیزاسیون کشاورزی. دانشگاه تبریز. منهاج مب، 1379 . هوش محاسباتی. جلد اول، مبانی شبکههای عصبی. انتشارات دانشگاه امیرکبیر. Chen Y, Zheng J, Xiang H and Huang S, 2006. Study on an intelligent system for precision pesticide application based on fuzzy control and machine vision. An ASABE MeetingPresentation. 9 - 12 July, Paper No: 06112
Marcal ARS and Cunha M, 2008. Image processing of artificial targets for automatic evaluation of spray quality. Transaction of the ASABE 51: 811-821.
Reichard DL, Zhu H, Downer RA, Fox RD, Brazee RD, Ozkan HE and Hall FR, 1996. A system to evaluate shear effects on spray drift retardation performance. Transactions of the ASAE 39: 1993-1999.
Wolf RE, 2005. Comparing downwind spray droplet deposits of four flat-fan nozzle types measured in a wind tunnel and analyzed using droplet scan software. Power & Machinery Division of ASAE 21: 173−177. | ||
|
آمار تعداد مشاهده مقاله: 2,655 تعداد دریافت فایل اصل مقاله: 1,718 |
||