Zeitschrift für Lebensmittelverarbeitung und -technologie

Abstrakt

Vorhersage von Umweltindikatoren bei der Landnivellierung mithilfe künstlicher Intelligenz

Isham Alzoub

Die Einebnung ist einer der wichtigsten Schritte bei der Bodenvorbereitung und -kultivierung. Obwohl die maschinelle Einebnung viel Energie erfordert, entsteht dabei eine geeignete Oberflächenneigung bei minimaler Bodenzerstörung und Schäden an Pflanzen und anderen Organismen im Boden. Dennoch haben Forscher in den letzten Jahren versucht, den Verbrauch fossiler Brennstoffe und seine schädlichen Nebenwirkungen mithilfe neuer Techniken zu reduzieren, wie z. B. künstliche neuronale Netze (KNN), imperialistischer Wettbewerbsalgorithmus – KNN (ICA-ANN), Regression und adaptives neuro-fuzzy Inferenzsystem (ANFIS) und Sensitivitätsanalyse, die zu einer spürbaren Verbesserung der Umwelt führen sollen. In dieser Forschungsarbeit wurden die Auswirkungen verschiedener Bodeneigenschaften wie Böschungsvolumen, Bodenkomprimierbarkeitsfaktor, spezifisches Gewicht, Feuchtigkeitsgehalt, Neigung, Sandanteil und Bodenquellindex auf den Energieverbrauch untersucht. Die Studie umfasste 90 Proben, die aus 3 verschiedenen Regionen gesammelt wurden. Die Rastergröße wurde auf 20 m mal 20 m (20*20) eines Ackerlandes in der iranischen Provinz Karaj festgelegt. Ziel dieser Arbeit war, das beste lineare Modell eines adaptiven Neuro-Fuzzy-Inferenzsystems (ANFIS) und einer Sensitivitätsanalyse zu bestimmen, um den Energieverbrauch für die Landnivellierung vorherzusagen. Laut den Ergebnissen der Sensitivitätsanalyse hatten nur drei Parameter – Dichte, Bodenkompressibilitätsfaktor und Böschungsvolumenindex – eine signifikante Wirkung auf den Brennstoffverbrauch. Laut den Ergebnissen der Regression hatten nur drei Parameter – Neigung, Abtrags-/Auftragsvolumen (V) und Bodenquellungsindex (SSI) – eine signifikante Wirkung auf den Energieverbrauch. Die Verwendung eines adaptiven Neuro-Fuzzy-Inferenzsystems zur Vorhersage von Arbeitsenergie, Brennstoffenergie, Gesamtmaschinenkosten und Gesamtmaschinenenergie kann erfolgreich demonstriert werden. Im Vergleich zu ANN zeigten alle ICA-ANN-Modelle aufgrund ihres höheren R2-Werts und niedrigeren RMSE-Werts eine höhere Vorhersagegenauigkeit. Die Leistung des multivariaten ICA-ANN- und Regressions- und künstlichen neuronalen Netzwerks sowie des Sensitivitätsanalyse- und adaptiven Neuro-Fuzzy-Inferenzsystem-Modells (ANFIS) wurde anhand eines statistischen Index (RMSE, R2) bewertet. Die vom ICA-ANN-Modell abgeleiteten Werte von RMSE und R2 waren: Arbeitsenergie (0,0146 und 0,9987), Brennstoffenergie (0,0322 und 0,9975), Gesamtmaschinenkosten (0,0248 und 0,9963), Gesamtmaschinenenergie (0,0161 und 0,9987), während diese Parameter für das multivariate Regressionsmodell waren: Arbeitsenergie (0,1394 und 0,9008), Brennstoffenergie (0,1514 und 0,8913), Gesamtmaschinenkosten (TMC) (0,1492 und 0,9128), Gesamtmaschinenenergie (0,1378 und 0,9103). Während diese Parameter für das ANN-Modell waren: Arbeitsenergie (0,0159 und 0,9990), Brennstoffenergie (0,0206 und 0,9983), Gesamtmaschinenkosten (0,0287 und 0,9966), Gesamtmaschinenenergie (0,0157 und 0,9990), während diese Parameter für das Sensitivitätsanalysemodell Arbeitsenergie (0,1899 und 0,8631), Brennstoffenergie (0,8562 und 0,0206), Gesamtmaschinenkosten (0,1946 und 0,8581) waren,Gesamtmaschinenenergie (0,1892 bzw. 0,8437), während diese Parameter für das ANFIS-Modell Arbeitsenergie (0,0159 bzw. 0,9990), Brennstoffenergie (0,0206 bzw. 0,9983), Gesamtmaschinenkosten (0,0287 bzw. 0,9966) und Gesamtmaschinenenergie (0,0157 bzw. 0,9990) waren. Die Ergebnisse zeigten, dass ICA_ANN mit sieben Neuronen in der verborgenen Schicht besser abschnitt.