کلیدواژه‌ها = ANFIS
طراحی ماشین‌های کشاورزی و صنایع غذایی

پیش‌بینی نیروی کششی، لغزش چرخ و مصرف سوخت تراکتور در شرایط مزرعه‌ای با استفاده از سیستم استنتاج عصبی-فازی تطبیقی (ANFIS)

دوره 15، شماره 3، پاییز 1405، صفحه 113-138

https://doi.org/10.22034/jrmam.2026.15096.777

کلام بابازاده، بهزاد محمدی الستی، مهدی عباسقلی پور، اصغر محمودی

چکیده در این پژوهش، از سیستم استنتاج عصبی-فازی تطبیقی (ANFIS) برای پیش‌بینی نیروی کششی، لغزش چرخ و مصرف سوخت تراکتور در شرایط مزرعه‌ای طی عملیات شخم با گاوآهن سه‌خیشه استفاده شد. آزمایش‌ها در مزارع شرکت تراکتورسازی ایران با روش دو تراکتوری انجام گردید. متغیرهای مستقل شامل چهار سطح عمق خاک‌ورزی (۱۰، ۲۰، ۳۰ و ۴۰ سانتی‌متر)، سه سطح رطوبت خاک (تقریباً ۱۲، ۱۵ و ۱۹ درصد) و چهار سطح سرعت پیشروی با دنده های سنگین (۱، 55/2، 40/4 و 58/6 کیلومتر بر ساعت) بودند. آزمایش فاکتوریل بر پایه طرح بلوک کامل تصادفی (RCBD) با سه تکرار استفاده شد. پیش بینی همزمان سه شاخص کلیدی عملکرد تراکتور از چالش های اساسی در مدیریت عملیات خاک‌ورزی و بهینه سازی مصرف انرژی است، زیرا این شاخص ها تحت تاثیر برهم کنش پیچیده و غیرخطی میان ویژگی های خاک و پارامترهای عملیاتی قرار دارند و روش های متداول از دقت کافی برای توصیف این روابط برخوردار نیستند. لذا یک چارچوب هوشمند مبتنی بر (ANFIS)همراه با تحلیل مولفه های اصلی (PCA) برای پیش بینی همزمان نیروی کششی، لغزش چرخ و مصرف سوخت توسعه یافت. نتایج نشان داد که افزایش عمق خاک و سرعت پیشروی موجب افزایش نیروی کششی، لغزش و مصرف سوخت شده، در حالی که افزایش رطوبت خاک به دلیل کاهش مقاومت مکانیکی خاک، این شاخص را بهبود می بخشد. مدل پیشنهادی با ضرایب تعیین بالا برای نیروی کششی (99996/0)، لغزش (9997/0) و مصرف سوخت (99964/0) و مقادیر بسیار پایین RMSE، توانست رفتار واقعی سامانه تراکتور-خاک را با دقتی خوب شبیه سازی کند. نتایج نشان داد که مدل توسعه یافته نه تنها ابزاری دقیق برای پیش بینی عملکرد تراکتور است، بلکه می تواند به عنوان یک سامانه تصمیم یار در انتخاب شرایط بهینه عملیات، کاهش مصرف سوخت وهزینه خاک ورزی، کنترل لغزش و ارتقای بهره وری انرژی در کشاورزی دقیق مورد استفاده قرار گیرد.

فناوری پس از برداشت

اندازه گیری و پیش بینی بازده مایکروویو در حین خشک کردن برگه‌های سیب

دوره 12، شماره 3، پاییز 1402، صفحه 11-21

https://doi.org/10.22034/jrmam.2023.14049.610

ناهید عقیلی ناطق، محمد جعفر دالوند

چکیده خشک کردن یکی از موثرترین روش‌ها برای افزایش ماندگاری محصولات غذایی است. افزایش راندمان و کاهش مصرف انرژی در خشک کردن ضروری است. صرفه جویی در زمان و انرژی بهترین مزایای روش خشک کردن مایکروویو است. بنابراین هدف از این تحقیق بررسی تأثیر توان مایکروویو (P)، جرم محصول (M) و زمان (T) بر انرژی جذب شده، اتلاف انرژی و همچنین پیش‌بینی بازده در حین خشک شدن برگه‌های سیب در مایکروویو بود. در این تحقیق توان‌های مایکروویو 100، 300 و 600 وات، جرم سیب 20، 40، 60، 80 و 100 گرم و زمان 60، 90، 120، 150 و 180 ثانیه در نظر گرفته شدند. در این مقاله، از سه روش مختلف هوش مصنوعی برای مدلسازی انرژی جذب شده و اتلاف انرژی سیب همراه با پیش‌بینی بازده مایکروویو در طول فرآیند خشک کردن استفاده گردید. این روش‌ها عبارتند از: شبکه عصبی مصنوعی (ANN)، سیستم استنتاج فازی عصبی تطبیقی (ANFIS) و ماشین بردار پشتیبان (SVM) همراه با الگوریتم کرم شب تاب (FFA). نتایج نشان داد که مقدار انرژی جذب شده توسط سیب در طول خشک کردن در مایکروویو به شدت به مقدار جرم بستگی دارد. بیشترین و کمترین بازده مایکروویو به ترتیب در توان 600 وات و جرم 100 گرم و کمترین بازده در زمان 180 ثانیه و توان 100مشاهده گردید. همچنین، انرژی جذب شده در 600 وات تقریباً چهار برابر بیشتر از آن در 100 وات بود. سیستم عصبی-فازی و ماشین بردار پشتیبان نتایج خوبی نسبت به شبکه عصبی مصنوعی برای پیش‌بینی انرژی جذب شده، اتلاف انرژی و بازده مایکروویو نشان دادند.

پیش‌بینی پارامترهای مرتبط با کشش تراکتور حین عملیات زیرشکنی با استفاده از سیستم استنتاج عصبی فازی (ANFIS)

دوره 9، شماره 2، مهر 1399

یوسف عباسپور گیلانده، ابراهیم تقی نژاد، محمد عسکری

چکیده در این تحقیق، از سیستم استنتاج عصبی فازی (ANFIS) به منظور پیش-بینی پارامترهای مرتبط با کشش تراکتور شامل توان مالبندی، میزان لغزش چرخ‌های محرک، بازده کششی و بازده کل انرژی در مجموعه تراکتور- ادوات تحت تأثیر متغیرهای مستقل شامل نوع شاخه (زیرشکن و پاراپلو)، عمق (30، 40 و50 سانتی‌متر) و سرعت پیشروی (8/1، 3/2، 9/2 و 5/3 کیلومتر بر ساعت) حین عملیات زیرشکنی استفاده شد. از داده‌های مزرعه‌ای برای ایجاد مدل‌های رگرسیونی و ANFIS به‌منظور پیش‌بینی پارامترهای تحت بررسی استفاده و نتایج دو سری مدل با یکدیگر مقایسه شد. نتایج مزرعه‌ای نشان داد که همه متغیرهای مستقل‌ به غیر از بازده کششی، اثر معنی‌داری بر پارامترهای تحت بررسی داشتند. افزایش عمق و سرعت پیشروی به افزایش لغزش چرخ‌های محرک، توان مالبندی، بازده کل انرژی و کاهش بازده کششی تراکتور انجامید. به علاوه با در نظر گرفتن پارامترهای تحت بررسی، پاراپلو نسبت به زیرشکن عملکرد بهتری داشت. نتایج بخش ANFIS نشان داد که به‌ترتیب در مورد لغزش، توان مالبندی، بازده کششی و بازده کل انرژی، توابع عضویت Trimf، dsigmf، Primf و Gaussmf با میانگین مربعات خطای 0159/0، 0231/0، 0212/0 و 0224/0 و ضرایب تعیین 9996/0، 9999/0، 9985/0 و 9997/0، بهترین مدل‌ها برای پیش‌بینی هستند. مدل‌های ANFIS نسبت به مدل‌های رگرسیونی دقت بالاتری دارند و با استفاده از سطوح شکل‌های خروجی در ANFIS می‌توان خروجی مدل را برای یک ورودی خاص محاسبه کرد.

مقایسه برخی از مدل‌های هوش مصنوعی برای پیش‌بینی میزان اکسیژن محلول آب در استخرهای پرورش ماهی- مطالعه موردی: شهر اهواز

دوره 7، شماره 1، فروردین 1397

سیدمحمدجواد افضلی، محمدجواد شیخداودی، سیدرضا سیدمرتضایی

چکیده مصرف انرژی بالا و هزینه کارگری هواده‌ها سبب شده است که پرورش‌دهندگان ماهی کپور انگیزه بالایی برای خرید هواده نداشته باشند. میزان اکسیژن محلول آب یکی از مهم‌ترین پارامترهایی است که می‌توان از آن جهت روشن و خاموش نمودن خودکار هواده‌ها در استخرهای پرورش ماهیان استفاده نمود ولی به دلیل هزینه بالای سنسور اکسیژن باید از سایر پارامترها برای تخمین آن استفاده شود. این تحقیق با هدف ایجاد مدلی مناسب برای تخمین میزان اکسیژن محلول آب استخرهای پرورش ماهی اندازه‌گیری پارامترهای ورودی انجام گردید. پارامترهای ورودی pH و دمای آب و دما و رطوبت هوا و سرعت باد بودند. در طول دوره پرورش ماهی تمامی پارامترهای ورودی و خروجی اندازه‌گیری شدند و با سه مدل بررسی شدند. مدل اول شبکه عصبی مصنوعی بود و نتایج نشان داد تابع انتقال logsig-purelin با ?? نورون در لایه پنهان با میزان ??/? بیشترین ضریب تبیین را داشت. مدل دوم ادغام مدل شبکه عصبی با الگوریتم ژنتیک بود و نتایج نشان داد در بهترین حالت این مدل قادر است با ضریب تبیین ??/? میزان اکسیژن محلول آب را پیش‌بینی نماید. در مدل سوم از شبکه فازی- عصبی (ANFIS) استفاده گردید. نتایج نشان داد که این شبکه در وضعیت خوشه‌بندی کاهشی قادر است با ضریب تبیین ??/? اکسیژن محلول آب را تخمین بزند. بنابراین شبکه فازی- عصبی مناسب‌ترین روش برای ارزیابی میزان اکسیژن محلول استخرهای پرورش ماهی در منطقه مورد مطالعه بود.