Estimation of longitudinal precipitation of liquid indicator (LPLI) with the use of the artificial neural network (MLP, RBF) models

• Autorzy: Pentoś K. , Cieniawska B. , Łuczycka D.

Warianty tytułu

PL

Estymacja wskaźnika opadu podłużnego rozpylonej cieczy (Wso) za pomocą sztucznych sieci neuronowych (MLP i RBF)

• Języki publikacji: EN

Abstrakty

EN

The study presents the results of the analysis of two artificial neural networks as models of relationships between longitudinal precipitation of liquid indicator and selected technical and technological factors of spraying process. The measurements were conducted in laboratory conditions. A wind tunnel was primary element in experimental set-up. Based on the results, it can be stated that MLP model (R2 = 0.908 for validation data set) was more accurate that RBF model (R2 = 0.837 for validation data set). The analysis of input variables’ contribution indicated that the LPLI is influenced the most by the air flow speed and the droplet size. Spray boom height and spray nozzle angle were less influencing parameters.

PL

W pracy przedstawiono wyniki analizy dwóch modeli matematycznych zależności między wskaźnikiem opadu podłużnego rozpylonej cieczy a wybranymi technicznymi i technologicznymi parametrami procesu opryskiwania. Modele zbudowano wykorzystując sztuczne sieci neuronowe. Pomiary przeprowadzono w warunkach laboratoryjnych. Głównym elementem stanowiska badawczego był tunel aerodynamiczny. Na podstawie otrzymanych wyników można stwierdzić, że model oparty o sieć MLP (R2 = 0.908 dla zbioru walidacyjnego) charakteryzował się wyższą dokładnością niż model oparty o sieć RBF (R2 = 0.837 dla zbioru walidacyjnego). Analiza stopnia wpływu poszczególnych parametrów wejściowych modelu na jego wyjście wskazuje, że największy wpływ na Wso mają prędkość przepływu powietrza oraz wielkość kropli. Wysokość belki opryskowej oraz kąt nachylenia rozpylacza w znacznie mniejszym stopniu wpływają na Wso.

Słowa kluczowe

EN

spraying efficiency; artificial neural network; longitudinal precipitation

PL

jakość opryskiwania; sztuczne sieci neuronowe; rozkład podłużny

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2018
• Tom: Vol. 63, nr 1
• Strony: 58--62
• Opis fizyczny: Bibliogr. 22 poz., rys., tab., wykr.

Twórcy

autor

Pentoś K.

• Institute of Agricultural Engineering, Wroclaw University of Environmental and Life Sciences, Poland

autor

Cieniawska B.

• Institute of Agricultural Engineering, Wroclaw University of Environmental and Life Sciences, Poland

autor

Łuczycka D.

• Institute of Agricultural Engineering, Wroclaw University of Environmental and Life Sciences, Poland

Bibliografia

• [1] Arvidsson T., Bergstrom L., Kreuger J.: Spray drift as influenced by meteorological and technical factors. Pest Manag. Sci., 2011, 67, 586-598.
• [2] Baetens K., Ho Q.T., Nuyttens D., De Schampheleire M., Endalew A.M., Hertog M.M.L.A., Nicolai B., Ramon H., Verboven P.: A validated 2-D diffusion-advection model for prediction of drift from ground boom sprayers. Atmos. Environ., 2009, 43, 1674-1682.
• [3] Carlsen S.C.K., Spliid N.H., Svensmark B.: Drift of 10 herbicides after tractor spray application. 2. Primary drift (droplet drift). Chemosphere, 2006, 64, 778-786.
• [4] Foque D., Pieters J.G., Nuyttens D.: Effect of spray angle and spray volume on deposition of a medium droplet spray with air support in ivy pot plants. Pest Manag. Sci., 2014, 70, 427-439.
• [5] Forster W., Mercer G., Schou W.: Spray droplet impaction models and their use within AGDISP software to predict retention. New Zealand Plant Protection, 2012, 65, 85-92.
• [6] Forster W., Steele K., Gaskin R., Zabkiewicz J.: Spray retention models for vegetable crops: preliminary investigation. New Zealand Plant Protection, 2004, 57, 260-265.
• [7] Ghosh D., Singh U.P., Ray K., Das A.: Weed management through herbicide application in direct-seeded rice and yield modeling by artificial neural network. Span. J. Agric. Res., 2016, 14, e1003.
• [8] Johann A., de Araújo A., Delalibera H., Hirakawa A. Soil moisture modeling based on stochastic behavior of forces on a no-till chisel opener. Comput. Electron. Agric., 2016, 121, 420-428.
• [9] Kashi H., Emamgholizadeh S., Ghorbani H.: Estimation of Soil Infiltration and Cation Exchange Capacity Based on Multiple Regression, ANN (RBF, MLP), and ANFIS Models. Commun. Soil Sci. Plant Anal., 2014, 45, 1195-1213.
• [10] Kjaer C., Bruus M., Bossi R., Lofstrom P., Andersen H.V., Nuyttens D., Erik Larsen S.: Pesticide drift deposition in hedgerows from multiple spray swaths. J. Pestic. Sci., 2014, 39, 14-21.
• [11] Lebeau F., Verstraete A., Stainier C., Destain, M.F.: RTDrift: A real time model for estimating spray drift from ground applications. Comput. Electron. Agric., 2011, 77, 161-174.
• [12] Li X., Chen F., Sun D., Tao M.: Predicting menopausal symptoms with artificial neural network. Expert Syst. Appl., 2015, 42, 8698-8706.
• [13] Lofstrom P., Bruus M., Andersen H.V., Kjaer C., Nuyttens D., Astrup P.: The OML-SprayDrift model for predicting pesticide drift and deposition from ground boom sprayers. J. Pestic. Sci., 2013. 38, 129-138.
• [14] Mandato S., Rondet E., Delaplace G., Barkouti A., Galet L., Accart P., Ruiz T., Cuq B.: Liquids' atomization with two different nozzles: Modeling of the effects of some processing and formulation conditions by dimensional analysis. Powder Technol., 2012, 224, 323-330.
• [15] Mazurowski M.A., Szecówka P.M.: Limitations of sensitivity analysis neural networks in cases with dependent inputs. IEEE International Conference on Computational Cybernetics, 2006, 1-5.
• [16] Orzechowski Z., Prywer J.: Wytwarzanie i zastosowanie rozpylonej cieczy. WNT Warszawa, 2008. ISBN 978-83-204- 3416-3.
• [17] Pentoś K.: The methods of extracting the contribution of variables in artificial neural network models - Comparison of inherent instability. Comput. Electron. Agric., 2016, 127, 141-146.
• [18] Pentoś K., Pieczarka K.: Applying an artificial neural network approach to the analysis of tractive properties in changing soil conditions. Soil Tillage Res., 2017, 165, 113-120.
• [19] Szewczyk A., Łuczycka D.: Rozkład opadu rozpylonej cieczy wybranymi rozpylaczami dwustrumieniowymi w warunkach działania czołowego strumienia powietrza. Inżynieria Rolnicza, 2010, 122, 213-220.
• [20] Wang F., Huang J., Wang Y., Liu Z., Peng D., Cao F.: Monitoring nitrogen concentration of oilseed rape from hyperspectral data using radial basis function. Int. J. Digit. Earth, 2013, 6, 550-562.
• [21] Zabkiewicz J.: Spray formulation efficacy - holistic and futuristic perspectives. Crop Prot, 2007, 26, 312-319.
• [22] Zhao H.Y., Xie C., Liu F.M., He X.K., Zhang J., Song J.L.: Effects of sprayers and nozzles on spray drift and terminal residues of imidacloprid on wheat. Crop Prot., 2014, 60, 78-82.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).