مدل‌سازی فشار- نشست خاک تحت تأثیر سرعت نشست با استفاده از یادگیری عمیق بهینه‌سازی‌شده توسط الگوریتم گرگ خاکستری

ماشین های کشاورزی

مقاله 13، دوره 14، شماره 1 - شماره پیاپی 31، فروردین 1403، صفحه 69-82   

نوع مقاله: مقاله پژوهشی لاتین

شناسه دیجیتال (DOI): 10.22067/jam.2023.84339.1188

نویسندگان

بهزاد گلعنبری¹؛ عارف مردانی کرانی^{* 1}؛ عادل حسین پور¹؛ حمید تقوی فر²

¹گروه مکانیک بیوسیستم دانشگاه ارومیه، ارومیه، ایران

²گروه مهندسی مکانیک، صنایع و هوافضا، دانشگاه کنکوردیا، کنکوردیا، کانادا

چکیده

با توجه به متغیرهای متعددی که بر سیستم‌های اندرکنش خاک و ماشین تأثیرگذار هستند، پیش‌بینی پاسخ مکانیکی خاک در تعامل با دستگاه‌های کششی خارج از جاده چالش برانگیز است. در این مطالعه، شبکه‌های عصبی عمیق به دلیل توانایی آن‌ها در مدل‌سازی سیستم‌های پیچیده، چندمتغیره و دینامیک به‌عنوان یک راه‌حل بالقوه برای توضیح میزان فرورفتگی خاک در نرخ‌های مختلف از بار عمودی انتخاب شد. آزمایش‌های فشار-نشست خاک با استفاده از بوامتر در یک انباره خاک از نوع ثابت با طول 24 متر، عرض 2 متر و کانال خاک عمق 1 متر انجام شد. آزمایش‌های تجربی در سه سطح سرعت نشست، دو سطح اندازه صفحه، در محتوای آب خاک 10 درصد انجام شد که داده‌های تجربی در مورد روابط فشار و نشست خاک ارائه می‌کرد. این آزمایش‌ها به‌عنوان مبنایی برای الگوریتمی بود که قادر به تشخیص تعامل بین خاک ماشین پس از یک فرآیند تکراری دقیق بود. مشخص شد که یک شبکه عصبی عمیق، به‌ویژه یک شبکه عصبی عمیق با انتشار پیش‌خور با سه لایه پنهان، انتخاب بهینه برای این منظور است. معماری شبکه عصبی عمیق بهینه‌شده به‌صورت 1-10-15-8-3 شکل یافت که توسط الگوریتم بهینه‌سازی گرگ خاکستری تعیین شده است. در حالی‌که معادله بکر به‌طور سنتی به‌عنوان یک روش پذیرفته‌شده برای پیش‌بینی رفتار فشار- نشست خاک استفاده می‌شود، تأثیر سرعت نشست در خاک را نادیده می‌گرفت. با این حال، یافته‌های تحقیق تأثیر قابل‌توجهی از سرعت نشست بر پارامترهای حاکم بر پاسخ تغییر شکل خاک را نشان داد. شبکه عصبی عمیق آموزش‌دیده با موفقیت سرعت نشست را در ساختار خود گنجاند و نتایج دقیقی با مقدار میانگین مربعات خطای 0.0871 ارائه کرد.

کلیدواژه‌ها

انباره خاک؛ بوامتر؛ ترامکانیک؛ شبکه عصبی عمیق؛ وسیله نقلیه خارج از جاده

مراجع

1. Bekker, M. G. (1957). Latest developments in off-the-road locomotion. Journal of the Franklin Institute, 263(5), 411-423. https://doi.org/10.1016/0016-0032(57)90281-8
2. Fernandes, M. M. H., Coelho, A. P., da Silva, M. F., Bertonha, R. S., de Queiroz, R. F., Furlani, C. E. A., & Fernandes, C. (2020). Estimation of soil penetration resistance with standardized moisture using modeling by artificial neural networks. CATENA, 189, 104505. https://doi.org/10.1016/j.catena.2020.104505
3. Gheshlaghi, F., & Mardani, A. (2021). Prediction of soil vertical stress under off-road tire using smoothed-particle hydrodynamics. Journal of Terramechanics, 95, 7-14. https://doi.org/10.1016/j.jterra.2021.02.004
4. Haykin, S. (1999). Neural networks: a comprehensive foundation prentice-hall upper saddle river. NJ MATH Google Scholar.
5. He, J., Wu, D., Ma, J., Wang, H., & Li, Y. (2019). Study on the Influence Law of Loading Rate on Soil Pressure Bearing Characteristics. Engineering Letters, 27(4).
6. Kruger, R., Els, P. S., & Hamersma, H. A. (2023). Experimental investigation of factors affecting the characterisation of soil strength properties using a Bevameter in-situ plate sinkage and shear test apparatus. Journal of Terramechanics, 109, 45-62. https://doi.org/10.1016/j.jterra.2023.06.002
7. Mahboub Yangeje, H., & mardani Korani, A. (2021). Design and Fabrication of a Bevameter for Measuring the Soil Deformation Details. Iranian Journal of Biosystems Engineering, 52(3), 487-498. https://doi.org/10.22059/ijbse.2021.318526.665385
8. Pham, B. T., Nguyen, M. D., Bui, K. T. T., Prakash, I., Chapi, K., & Bui, D. T. (2019). A novel artificial intelligence approach based on Multi-layer Perceptron Neural Network and Biogeography-based Optimization for predicting coefficient of consolidation of soil. CATENA, 173, 302-311. https://doi.org/10.1016/j.catena.2018.10.004
9. Pieczarka, K., Pentoś, K., Lejman, K., & Owsiak, Z. (2018). The use of artificial intelligence methods for optimization of tractive properties on Silty Clay Loam. Journal of Research and Applications in Agricultural Engineering, 63(1).
10. Roul, A. K., Raheman, H., Pansare, M. S., & Machavaram, R. (2009). Predicting the draught requirement of tillage implements in sandy clay loam soil using an artificial neural network. Biosystems Engineering, 104(4), 476-485. https://doi.org/10.1016/j.biosystemseng.2009.09.004
11. Taghavifar, H., & Mardani, A. (2014a). Effect of velocity, wheel load and multipass on soil compaction. Journal of the Saudi Society of Agricultural Sciences, 13(1), 57-66. https://doi.org/10.1016/j.jssas.2013.01.004
12. Taghavifar, H., & Mardani, A. (2014b). Prognostication of vertical stress transmission in soil profile by adaptive neuro-fuzzy inference system based modeling approach. Measurement, 50, 152-159. https://doi.org/10.1016/j.measurement.2013.12.035
13. Taghavifar, H., Mardani, A., & Hosseinloo, A. H. (2015). Appraisal of artificial neural network-genetic algorithm based model for prediction of the power provided by the agricultural tractors. Energy, 93, 1704-1710. https://doi.org/10.1016/j.energy.2015.10.066
14. Taghavifar, H., Mardani, A., Karim-Maslak, H., & Kalbkhani, H. (2013). Artificial Neural Network estimation of wheel rolling resistance in clay loam soil. Applied Soft Computing, 13(8), 3544-3551.
15. Van, N. N., Matsuo, T., Koumoto, T., & Inaba, S. (2008). Experimental device for measuring sandy soil sinkage parameters. Bulletin of the Faculty of Agriculture Saga University, 93(1), 91-99.
16. Wong, J. Y. (2010). Chapter 2 - Modelling of Terrain Behaviour. In J. Y. Wong (Ed.), Terramechanics and Off-Road Vehicle Engineering (Second Edition) (Second Edi, pp. 21-63). Butterworth-Heinemann. https://doi.org/10.1016/B978-0-7506-8561-0.00002-6
17. Zhang, Z. X., & Kushwaha, R. L. (1999). Applications of neural networks to simulate soil-tool interaction and soil behavior. Canadian Agricultural Engineering, 41(2), 119.