امکان‌سنجی تعیین بافت خاک با استفاده از پردازش سیگنال‌های صوتی یک نفوذسنج مخروطی

ماشین های کشاورزی

مقاله 7، دوره 13، شماره 4 - شماره پیاپی 30، دی 1402، صفحه 509-520   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.22067/jam.2023.78870.1126

نویسندگان

جعفر نصرالهی آذر¹؛ رحمان فرخی تیمورلو^{* 2}؛ وحید رستم پور²

¹دانشجوی دکتری، گروه مهندسی مکانیک بیوسیستم، دانشگاه ارومیه، ارومیه، ایران

²گروه مهندسی مکانیک بیوسیستم، دانشگاه ارومیه، ارومیه، ایران

چکیده

بافت خاک یکی از خصوصیات مهم خاک است که با بسیاری از جنبه‌های عملکرد خاک، از بهره‌وری تا سهولت خاک‌ورزی، در ارتباط است. در حال حاضر، تعیین بافت خاک به دو صورت انجام می‌گیرد: در سطح مزرعه با دقت کم یا در محیط آزمایشگاهی و زمان‌بر. در این مطالعه به توسعه یک سیستم جدید برای تعیین بافت خاک در محل مورد نظر، با استفاده از یک نفوذسنج مخروطی با سه زاویه مخروط 30، 45 و 60 درجه پرداخته شد. نفوذسنج مجهز به یک میکروفون بود که در آن صدای حاصل از اصطکاک مخروط-خاک برای تعیین بافت خاک استفاده شد. برای تشخیص سه نوع بافت خاک که شامل رس، شن و لوم بود، از روش آنالیز سیگنال‌های صوتی در حوزه زمان- فرکانس (تبدیل موجک) استفاده گردید. تجزیه سیگنال‌ها در 5 سطح انجام شد و ویژگی‌های مجموع (SUM)، ریشه میانگین مربعات (RMS)، واریانس Var، کشیدگی (kurtosis) و ممان‌های مرتبه بالا Moment4 مورد مقایسه قرار گرفتند. نتایج نشان داد که زیر سیگنال‌های جزئیات اول مخروط 30 و 60 درجه، جزئیات سوم مخروط 60 درجه، جزئیات چهارم مخروط 60 درجه و آپروکسیمت مخروط 45 و 60 درجه به‌ترتیب دارای بیشترین توانایی و اولویت برای تشخیص نوع بافت خاک از یکدیگر می‌باشند. در بین ویژگی‌های بررسی‌شده به‌ترتیب ویژگی‌های مجموع، واریانس، ممان، کشیدگی و ماکزیمم برای تشخیص نوع خاک با سطح احتمال 1% دارای اولویت هستند. مقادیر همه این ویژگی‌ها با افزایش اندازه ذرات خاک از رس تا شن افزایش یافت. تکنیک صوت دارای پتانسیل خوبی جهت تشخیص نوع بافت خاک بود.

کلیدواژه‌ها

پردازش سیگنال؛ تبدیل موجک؛ زیر سیگنال؛ شاخص مخروطی؛ میکروفون

مراجع

Anonymous. (2013). ASABE, S313.3 feb1999ed (r), Soil cone penetrometer. American Society of Agricultural and Biological Engineers.

Chang, H. W., Chang, T. H., Nguyen, V. T., & Wang, C. W. (2010), Determination of interfaces in soil layers by sound wave analysis with cone penetration tests. Journal of Marine Science and Technology, 18(5), 664-673. https://doi.org/10.51400/2709-6998.1909

Grift, T., Tekeste, M., & Raper, R. (2005), Acoustic compaction layer detection. Transactions of the ASAE, 48(5), 1723-1730. https://doi.org/10.13031/2013.20006

Hemmat, A., Rahnama, T., & Vahabi, Z. (2014), A horizontal multiple-tip penetrometer for on-the-go soil mechanical resistance and acoustic failure mode detection. Soil and Tillage Research, 138, 17-25. https://doi.org/10.1016/j.still.2013.12.003

Houlsby, G. T., & Ruck, B. M. (1998). Interpretations of signals from an acoustic cone penetrometer. Site Characterization: Geotechnical Site Characterization, 1075-1080.

Khazaee, M., Ahmadi, H., Omid, M., Banakar, A., & Moosavian, A. (2013), Feature-level fusion based on wavelet transform and artificial neural network for fault diagnosis of planetary gearbox using acoustic and vibration signals. Insight-NonDestructive Testing and Condition Monitoring, 55(6), 323-330. https://doi.org/10.1784/insi.2012.55.6.323

Lei, U., He, Z., & Zi, Y. (2008). A new approach to intelligent fault diagnosis of rotating machinery. Expert Systems with Applications, 35, 1593-1600. https://doi.org/10.1016/j.eswa.2007.08.072

Meisami-asl, E., Shari, A., Mobli, H., Eyvani, A., & Alimardani, R. (2013). On-site measurement of soil moisture content using an acoustic system. Agricultural Engineering International: CIGR Journal, 15(4), 1-8.

Mohammed, O. D., Rantatalo, M., Aidanpää, J. O., & Kumar, U. (2013). Vibration signal analysis for gear fault diagnosis with various crack progression scenarios. Mechanical Systems and Signal Processing, 41, 176-195. https://doi.org/10.1016/j.ymssp.2013.06.040

Naderi-Boldaji, M., Tekeste, M. Z., Nordstorm, R. A., Barnard, D. J., & Birrel, S. J. (2019). A mechanical-dielectric- high frequency acoustic sensor fusion for soil physical characterization. Computer and Electronics in Agriculture, 156, 10-23. https://doi.org/10.1016/j.compag.2018.11.006

Posadas, A. N. D., Giménez, D., Bittelli, M., Vaz, C. M. P., & Flury, M. (2001). Multifractal characterization of soils particlesize distributions. Soil Science Society of America Journal, 65, 1361-1367. https://doi.org/10.2136/sssaj2001.6551361x

Soman, K. P. (2010). Insight into wavelets: from theory to practice, PHI Learning Pvt. Ltd., Wavelets (Mathematics).

Sun, Y., Druecker, H., Hartung, E., Hueging, H., Cheng, Q., Zeng, Q., Sheng, W., Lina, J., Roller, O., Paetzold, S., Schulze Lammers, P., (2011). Map-based investigation of soil physical conditions and crop yield using diverse sensor techniques. Soil and Tillage Research, 112(2), 149-158. https://doi.org/10.1016/j.still.2010.12.002

Tate, B. L. (2016). Soil texture determination by an acoustic cone penetrometer method. Master thesis. University of Illinois at Urbana-Champaign, USA.

Tringale, P. T. (1983). Soil identification in-situ using an acoustic cone penetrometer. Ph.D. dissertation, University of California, Berkeley.

Zanardelli, W. G., Strangas, E., Khalil, H. K., & Miller, J. M. (2005). Wavelet-based methods for the prognosis of mechanical and electrical failures in electric motors. Mechanical Systems and Processing Signal, 19(2), 411-426. https://doi.org/10.1016/j.ymssp.2003.10.002