شماره ركورد كنفرانس :
3182
عنوان مقاله :
مدلسازي نيروي كشش يك تيغه خاكورز بالدار بر اساس سامانه استنتاج فازي و روش رگرسيون خطي چند متغيره
پديدآورندگان :
محمدي اصغر دانشگاه تهران - دانشكده مهندسي و فناوري - گروه مهندسي ماشينهاي كشاورزي , عليمرداني رضا دانشگاه تهران - دانشكده مهندسي و فناوري - گروه مهندسي ماشينهاي كشاورزي , لبافي رضا دانشگاه تهران - دانشكده مهندسي و فناوري - گروه مهندسي ماشينهاي كشاورزي , اكبرنيا عباس پژوهشكده كشاورزي سازمان پژوهشهاي علمي وصنعتي ايران
كليدواژه :
سامانه استنتاج فازي , رگرسيون خطي چندمتغيره , تيغه خاكورز بالدار , نيروي كشش
عنوان كنفرانس :
ششمين كنگره ملي ماشين هاي كشاورزي و مكانيزاسيون
چكيده فارسي :
در اين تحقيق يك روش مبتني بر منطق فازي جهت پيش بيني عملكرد كششي يك نوع تيغه بالدار مورد ارزيابي و جهت تعيين دقت آن در پيش بيني، با روش آناليز رگرسيون خطي چندمتغيره مورد مقايسه قرار گرفت.آزمايش هايي روي تيغه خاكورز در خاكي با بافت لومي- رسي با محتواي رطوبتي 13/23% و در عمق هاي 100 و 200 و 300 ميليمتر انجام شد.اصول مدلسازي فازي بر اساس روش سوگنو به منظور پيش بيني تغييرات نيروي كشش نسبت به عرض و عمق كاري تيغه خاكورز استفاده شد. در داده هاي آموزش مقادير ضريب تعيين و خطاي نسبي در روش مبتني بر منطق فازي به ترتيب 0/970ئ6.274% ودرروش آناليز رگرسيون خطي به ترتيب 0/958 و 8ه/083 بدست آمد
چكيده لاتين :
A method based on fuzzy logic approach was conducted to predict the draft performance of a
winged share tillage tool. To determine the accuracy of this method, we compared it with
multiple linear regression analysis method. Experiments were carried out in a soil bin filled
with clay loam soil with an average moisture content of 13.23% (dry basis) and soil bulk
densities at depths of operation 100, 200 and 300 mm were measured to be 1.29, 1.46 and
1.47 g/cm3, respectively. Fuzzy modeling principles based on sugeno method were used to
predict the draft force variations relative to the tillage tool width and working depth. In
comparison to classical methods, fuzzy logic had the advantage of being more flexible to
experiment data and was more accurate. At train data, the values of coefficient of
determination and relative error were obtained to be 0.970 and 6.274%, respectively in fuzzy
logic based method and 0.958 and 8.083%, respectively in regression analysis method. Also
at test data, the values of coefficient of determination and relative error were obtained to be
0.981 and 5.69%, respectively in fuzzy logic based method and 0.975 and 6.76%, respectively
in regression analysis method.