Журнал пищевой промышленности и технологий

Абстрактный

Прогнозирование экологических показателей при планировке земель с использованием методов искусственного интеллекта

Ишам Альзуб

Выравнивание земли является одним из важнейших этапов подготовки и обработки почвы. Хотя выравнивание земли с помощью машин требует значительного количества энергии, оно обеспечивает подходящий уклон поверхности с минимальным ухудшением почвы и повреждением растений и других организмов в почве. Тем не менее, исследователи в последние годы пытались сократить потребление ископаемого топлива и его пагубные побочные эффекты, используя новые методы, такие как: искусственная нейронная сеть (ИНС), империалистический конкурентный алгоритм –ИНС (ICA-ANN), а также регрессия и адаптивная нейро-нечеткая система вывода (ANFIS) и анализ чувствительности, которые приведут к заметному улучшению окружающей среды. В этом исследовании были изучены эффекты различных свойств почвы, таких как объем насыпи, коэффициент сжимаемости почвы, удельный вес, содержание влаги, уклон, процент песка и индекс набухания почвы, на потребление энергии. Исследование состояло из 90 образцов, собранных из 3 разных регионов. Размер сетки был установлен 20 м на 20 м (20*20) из сельскохозяйственных угодий в провинции Карадж в Иране. Целью данной работы было определение лучшей линейной модели адаптивной нейро-нечеткой системы вывода (ANFIS) и анализа чувствительности для прогнозирования потребления энергии при выравнивании земли. Согласно результатам анализа чувствительности, только три параметра: плотность, коэффициент сжимаемости почвы и индекс объема насыпи оказали значительное влияние на потребление топлива. Согласно результатам регрессии, только три параметра: уклон, объем выемки-насыпи (V) и индекс набухания почвы (SSI) оказали значительное влияние на потребление энергии. Использование адаптивной нейро-нечеткой системы вывода для прогнозирования рабочей энергии, топливной энергии, общей стоимости техники и общей энергии техники может быть успешно продемонстрировано. По сравнению с ANN, все модели ICA-ANN имели более высокую точность прогнозирования в соответствии с их более высоким значением R2 и более низким значением RMSE. Эффективность многомерной модели ICA-ANN, регрессии и искусственной нейронной сети, а также анализа чувствительности и адаптивной нейро-нечеткой системы вывода (ANFIS) оценивалась с использованием статистического индекса (RMSE, R2)). Значения RMSE и R2, полученные с помощью модели ICA-ANN, были следующими: рабочая энергия (0,0146 и 0,9987), топливная энергия (0,0322 и 0,9975), общая стоимость оборудования (0,0248 и 0,9963), общая энергия оборудования (0,0161 и 0,9987) соответственно, в то время как эти параметры для многомерной регрессионной модели были следующими: рабочая энергия (0,1394 и 0,9008), топливная энергия (0,1514 и 0,8913), общая стоимость оборудования (TMC) (0,1492 и 0,9128), общая энергия оборудования (0,1378 и 0,9103). Соответственно, в то время как эти параметры для модели ANN были следующими: рабочая энергия (0,0159 и 0,9990), топливная энергия (0,0206 и 0,9983), общая Стоимость оборудования (0,0287 и 0,9966), Общая энергия оборудования (0,0157 и 0,9990) соответственно, в то время как эти параметры для модели анализа чувствительности были следующими: Энергия труда (0,1899 и 0,8631), Топливная энергия (0,8562 и 0,0206), Общая стоимость оборудования (0,1946 и 0,8581),Общая энергия машин (0,1892 и 0,8437) соответственно, в то время как эти параметры для модели ANFIS были следующими: рабочая энергия (0,0159 и 0,9990), топливная энергия (0,0206 и 0,9983), общая стоимость машин (0,0287 и 0,9966), общая энергия машин (0,0157 и 0,9990) соответственно. Результаты показали, что ICA_ANN с семью нейронами в скрытом слое показала лучшие результаты.