پژوهش‌های مکانیک ماشینهای کشاورزی

پژوهش‌های مکانیک ماشینهای کشاورزی

اندازه گیری نیروی کششی مورد نیاز و میزان فرورفتگی چرخ متحرک در انباره خاک آزمایشگاهی و پیش بینی آن ها به کمک انفیس

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشگاه علوم کشاورزی و منابع طبیعی ساری- دانشکده مهندسی زراعی- گروه مهندسی مکانیک بیوسیستم
2 دانشیار گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
3 استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی زراعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
چکیده
برهمکنش چرخ و خاک به دلیل اثراتی که بر‌‌ مصرف انرژی و خصوصیات خاک به‌ ‌ویژه در مبحث کشاورزی دارد، بسیار مورد توجه محققین این بخش قرار گرفته است. در این تحقیق، میزان فرورفتگی چرخ درون خاک ‌و‌ نیروی کششی مورد نیاز چرخ متحرک که پارامترهای تعیین‌کننده در ‌برهمکنش چرخ و‌ خاک هستند، با ‌استفاده از آزمونگر چرخ در محیط انباره خاک آزمایشگاهی اندازه‌گیری شد. آزمون‌ها در 2 سطح مختلف از سرعت‌پیشروی ( 386/0 و 879/0 کیلومتر ‌بر ‌ساعت)، 3 سطح مختلف از فشار باد تایر (18, 25 و 32 پوند بر اینچ مربع) و 3 سطح مختلف از بار‌ عمودی وارد بر‌چرخ (150، 300 و450 کیلوگرم) در قالب طرح بلوک کامل تصادفی در 3 تکرار و مجموعاً 54 پیمایش اجرا شد. سپس با استفاده از سیستم استنتاج فازی- ‌عصبی تطبیقی (انفیس) و مدل رگرسیونی چند متغیره، میزان فرورفتگی و نیروی کششی مورد نیاز پیش‌بینی شد. به منظور ارزیابی این مدل‌ها از ضریب همبستگی (R2) و میانگین مربعات خطا (MSE) استفاده شد. نتایج نشان ‌داد فشار باد تایر، نیروی عمودی و سرعت پیشروی چرخ متحرک، تأثیر معنی داری بر عمق فرورفتگی چرخ درون خاک دارند (P<0.01) اما به غیر از سرعت پیشروی، بقیه عوامل بر نیروی کششی مورد نیاز چرخ متحرک، اثر معنی‌داری ندارند. ضریب همبستگی در پیش‌بینی میزان فرورفتگی و نیروی کششی توسط مدل‌های انفیس به ترتیب معادل 9901/0 و 6911/0 بوده که بسیار بیشتر از ضریب همبستگی در مدل‌های رگرسیونی به ترتیب معادل 8743/0 و 4061/0 بود. همچنین میانگین مربعات خطا در مدل‌های انفیس در خصوص فرورفتگی و نیروی کششی چرخ به ترتیب 0231/0 و 0101/0 بوده که بسیار کمتر از میانگین مربعات خطا در مدل-های رگرسیونی به ترتیب معادل 864/0 و 918/0 می‌باشد. بنابراین مد‌ل‌های انفیس از دقت بالاتر و خطای کمتری نسبت به مدل‌های رگرسیونی برخورردار می‌باشند.
کلیدواژه‌ها

موضوعات