پديد آورندگان :
قزلباش، زيبا نويسنده دانشجوي كارشناسي ارشد گروه آبياري و زهكشي، دانشگاه علوم كشاورزي و منابع طبيعي گرگان Ghezelbash, Z. , ذاكري نيا، مهدي نويسنده استاديار گروه مهندسي آب، دانشگاه علوم كشاورزي و منابع طبيعي گرگان Zakerinia, M. , هزارجريبي، ابوطالب نويسنده دانشيار گروه مهندسي آب، دانشگاه علوم كشاورزي و منابع طبيعي گرگان Hezarjaribi, A. , دهقاني، اميراحمد نويسنده دانشيار گروه مهندسي آب، دانشگاه علوم كشاورزي و منابع طبيعي گرگان Dehghani, A.A.
كليدواژه :
يكنواختي توزيع آب , سيستم آبياري , آبياري تحت فشار , Irrigation system evaluation , هوش مصنوعي , Pressurized irrigation , Artificial Intelligence , Water distribution uniformity
چكيده فارسي :
تاثير مهمي بر كيفيت و بازده سرمايه گذاري در پروژه هاي آبياري دارد. اندازه گيري
باراني ثابت از روي نتايج يك آبپاش منف رد با توجه به در نظر گرفتن هم پوشاني آبپاش هاي مجاور و
فاصله آبپاش ها روي لوله هاي ،(Hr) ارتفاع پايه آبپاش ،(P) در مقادير مختلف فشار كاركرد آبپاش
براي CU ، امري زمان بر مي باشد. در اين پژوهش (Sm) و فاصله لوله هاي جانبي از يكديگر (Sl) جانبي
3 اتمسفر )، 16 تيمار / 3 و 5 ،2/5 ، در 4 تيمار فشاركاركرد ( 2 KA- و 6 AQ- آبپاش هاي مدل 20
،15×18 ،15×15 ،15×12 ،15×9 ،18×18 ،18×15 ،18×12 ،18× شامل ( 9 (Sl×Sm) فواصل آبپاش ها
، 9 متر)، 4 تيمار ارتفاع پايه آبپاش ( 60 × 9 و 18 ×15 ،9×12 ،9×9 ،12×18 ،12×15 ،12×12 ،12×9
120 و 150 سانتي متر) و 3 تيمار آرايش آبپاش ها (مربعي، مستطيلي و مثلثي) در شرايط باد آرام ،90
CU 0-2 متر بر ثانيه) در ايستگاه تحقيقات پنبه هاشم آباد گرگان اندازه گيري شد . ب ه منظور برآورد )
Sm و Sl ،Hr ،P ،(ANN) و شبكه عصبي مصنوعي (GEP) براساس روش هاي برنامه ريزي بيان ژن
به عنوان پارامترهاي ورودي در نظر گرفته شدند با مقايسه آماري نتايج محاسباتي، ريشه ميانگين مربعات خطا (RMSE) براي روش هاي GEP و ANN در آبپاش AQ- 20 برابر 0.06 و 0.062 و در آبپاش KA- 6 نيز به ترتيب برابر 0.067 و 0.064 به دست آمد كه اين امر بيانگر دقت بالا هر دو روش GEP قادر به ار اي ه رابطه اي صريح براي تخمين ضريب در مدل سازي است . از آن جايي كه مدل
يكنواختي است، جنبه كاربردي بيش تري دارد.
چكيده لاتين :
Uniformity of sprinkler irrigation is an important technical parameter in the
design of sprinkler irrigation systems and its value has a significant impact on the
quality and the efficiency of investment in irrigation projects. With sprinkler
irrigation, determining CU from a single sprinkler is time consuming due to the
overlap of adjacent sprinklers and in different amounts of operating pressures (P),
riser heads (Hr), sprinkler spacing on laterals (Sl) and the distance between laterals
(Sm). In this research, CU quantities of two model sprinklers (AQ-20 and KA-6)
were measured in slow wind velocity (0-2 m/s), at Hashemabad cotton research
station of Gorgan city under 4 different operating pressures (2, 2.5, 3 and 3.5 at),
16 distances of sprinklers (including 9×18, 12×18, 15×18, 18×18, 9×15, 12×15,
15×15, 18×15, 9×12, 12×2, 15×12, 18×12, 9×9, 9×12, 9×15, 9×18), 4 riser heads
(60, 90, 120 and 150 cm) and 3 arrangements of sprinklers (square, rectangular and
triangular). For estimating CU based on gene expression programming (GEP) and
artificial neural network (ANN) methods P, Hr, Sl and Sm were selected as the input
variables. By statistical comparison of results, root mean square error (RMSE) for
AQ-20 sprinkler in GEP and ANN methods were obtained as 0.06 and 0.062 and
for KA-6 sprinkler as 0.067 and 0.064, respectively. The results indicate the high
accuracy of the two methods for modeling since GEP is capable of estimating an
explicit equation for estimating CU, it incorporates a more practical feature.
