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

ماشین های کشاورزی

مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 13 آبان 1402   

نوع مقاله: مقاله پژوهشی لاتین

شناسه دیجیتال (DOI): 10.22067/jam.2023.84339.1188

نویسندگان

بهزاد گلعنبری¹؛ عارف مردانی کرانی^{* 2}؛ عادل حسین پور²؛ حمید تقوی فر³

¹گروه مکانیک بیوسیستم دامشگاه ارومیه، ارومیه

²دانشگاه ارومیه

³گروه مهندسی مکانیک، صنایع و هوافضا، دانشگاه کنکوردیا، کنکوردیا، کانادا

چکیده

با توجه به متغیرهای متعددی که بر سیستم‌های اندرکنش خاک و ماشین تأثیر گذار 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، چند متغیره و دینامیک به عنوان 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 به عنوان 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 بهینه شده به صورت 1-10-15-8-3 شکل یافت که توسط الگوریتم بهینه سازی گرگ خاکستری تعیین شده است. در حالی که معادله بکر به طور سنتی به عنوان یک روش پذیرفته شده 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 آموزش دیده با موفقیت سرعت نشست را در ساختار خود گنجاند و نتایج دقیقی با مقدار میانگین مربعات خطای 0.0871 ارائه کرد.

کلیدواژه‌ها

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

مراجع