The use of artificial intelligence methods for optimization of tractive properties on silty clay loam

• Autorzy: Pieczarka K. , Pentoś K. , Lejman K. , Owsiak Z.

Warianty tytułu

PL

Metody sztucznej inteligencji w optymalizacji wybranych właściwości trakcyjnych na glebach gliniastych

• Języki publikacji: EN

Abstrakty

EN

The aim of this study was to develop valuable model of the interaction between low-power tractors wheel and deformed ground as well as to optimize tractor performance on silty clay loam. The relationships between traction force as well as traction efficiency and soil moisture, soil compaction, horizontal deformation, and vertical load were the subject of investigation. The research was carried out in the laboratory conditions. The two soft computing techniques of mathematical modeling were used: multilayer perceptron and radial basis function neural network. The more efficient model was obtained by multilayer perceptron. For the model with traction force as the output parameter the coefficient of determination was equal to 0,963 (MLP model) and 0,907 (RBF model). For the model with traction efficiency as the output parameter the coefficient of determination was equal to 0,986 and 0,944, respectively. Using the MLP model, the sensitivity analysis was conducted. The highest relative influence on traction force was observed for vertical load, in the case of traction efficiency, horizontal deformation is the most important parameter. For both dependent variables the lowest influence was calculated for soil compaction. The optimization of tractive properties requires generally high horizontal deformation, average soil moisture and high soil compaction. High vertical load is necessary for traction force maximization and relatively low for traction efficiency optimization.

PL

Celem pracy było wygenerowanie możliwie dokładnych modeli opisujących interakcję układu opona napędowa–gleba gliniasta dla mikrociągnika. Na podstawie wygenerowanych modeli przeprowadzono optymalizację pracy analizowanego układu. Badaniom podlegały zależności między siłą i sprawnością trakcyjną a wilgotnością i zwięzłością gleby, deformacją poziomą i obciążeniem pionowym. Badania przeprowadzono w warunkach laboratoryjnych. W zadaniu modelowania matematycznego wykorzystano dwie techniki sztucznej inteligencji: sieć neuronową typu perceptron wielowarstwowy (MLP) oraz sieć neuronową z radialnymi funkcjami bazowymi (RBF). Bardziej dokładny okazał się model oparty o sieć MLP. Współczynnik determinacji opisujący jakość modelu w przypadku siły trakcyjnej wynosił 0,963 (model MLP) i 0,907 (model RBF). W przypadku sprawności trakcyjnej współczynnik determinacji wyniósł odpowiednio 0,986 i 0,944. Wykorzystując modele oparte na sieci MLP przeprowadzono analizę wrażliwości modeli. Analiza ta wykazała, że największy wpływ na siłę trakcyjną ma obciążenie pionowe, a w przypadku sprawności trakcyjnej najbardziej znaczącym parametrem jest deformacja pozioma. Dla obu zmiennych zależnych, najmniej znaczącym parametrem jest zwięzłość gleby. Optymalizacja parametrów trakcyjnych wymaga generalnie dużej wartości deformacji poziomej, średniej wartości wilgotności i dużej zwięzłości gleby. Maksymalizacja siły trakcyjnej jest możliwa przy dużej wartości obciążenia pionowego, a optymalną wartość sprawności trakcyjnej można uzyskać przy niskiej wartości obciążenia pionowego.

Słowa kluczowe

EN

traction force; traction efficiency; artificial neural network; genetic algorithm

PL

siła trakcyjna; sprawność trakcyjna; sztuczne sieci neuronowe; algorytm ewolucyjny

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2018
• Tom: Vol. 63, nr 1
• Strony: 63--68
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr.

Twórcy

autor

Pieczarka K.

• Instytut Inżynierii Rolniczej Uniwersytet Przyrodniczy we Wrocławiu 51-630 Wrocław, ul. J. Chełmońskiego 37/41, Poland

autor

Pentoś K.

• Instytut Inżynierii Rolniczej Uniwersytet Przyrodniczy we Wrocławiu 51-630 Wrocław, ul. J. Chełmońskiego 37/41, Poland

autor

Lejman K.

• Instytut Inżynierii Rolniczej Uniwersytet Przyrodniczy we Wrocławiu 51-630 Wrocław, ul. J. Chełmońskiego 37/41, Poland

autor

Owsiak Z.

• Instytut Inżynierii Rolniczej Uniwersytet Przyrodniczy we Wrocławiu 51-630 Wrocław, ul. J. Chełmońskiego 37/41, Poland

Bibliografia

• [1] Smerda T., Cupera J.: Tire inflation and its influence on drawbar characteristics and performance - Energetic indicators of a tractor set. Journal of Terramechanics, 2010, 47: 395-400.
• [2] Janulevicius A., Damanauskas V.: How to select air pressures in the tires of MFWD (mechanical front-wheel drive) tractor to minimize fuel consumption for the case of reasonable wheel slip. Energy, 2015, 90: 691-700.
• [3] Lee J.H., Gard K.: Vehicle-soil interaction: Testing, modeling, calibration and validation. Journal of Terramechanics, 2014, 52: 9-21.
• [4] Taghavifar H., Mardani A., Karim-Maslak H.: Multi-criteria optimization model to investigate the energy waste of off-road vehicles utilizing soil bin facility. Energy, 2014, 73: 762-770.
• [5] Tiwari V.K., Pandey K.P., Pranav P.K.: A review on traction prediction equations. Journal of Terramechanics, 2010, 47: 191-199.
• [6] Roul A.K., Raheman H., Pansare M.S., Machavaram, R.: Predicting the draught requirement of tillage implements in sandy clay loam soil using an artificial neural network. Biosystems Engineering, 2009, 104(4): 476-485.
• [7] Carman K.: Prediction of soil compaction under pneumatic tires a using fuzzy logic approach. Journal of Terramechanics, 2008, 45: 103-108.
• [8] Pentoś K., Pieczarka K.: Applying an artificial neural network approach to the analysis of tractive properties in changing soil conditions. Soil & Tillage Research, 2017, 165: 113-120.
• [9] Pentoś K.: The methods of extracting the contribution of variables in artificial neural network models – Comparison of inherent instability. Computers and Electronics in Agriculture, 2016, 127: 141-146.
• [10] Gajewski J., Valis D.: The determination of combustion engine condition and reliability using oil analysis by MLP and RBF neural networks. Tribology International, 2017, 115: 557-572.
• [11] Bagheri V., Uromeihy A., Razifard M.: Evaluation of MLP and RBF Methods for Hazard Zonation of Landslides Triggered by the Twin Ahar-Varzeghan Earthquakes. Geotechnical and Geological Engineering, 2017, 35: 2163-2190.
• [12] Taghavifar H., Mardani A.: Applying a supervised ANN (artificial neural network) approach to the prognostication of driven wheel energy efficiency indices. Energy, 2014, 68: 651-657.

Uwagi

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