Przeprowadzono ocenę odporności ziarna jęczmienia na powstawanie mikrouszkodzeń. Oceniano odmiany ziarna jęczmienia okryto i nagoziarnistego. Jako parametr oceny przyjęto wartość siły w granicy powstawania mikrouszkodzeń dla ziarna ściskanego między dwoma płytkami. Jęczmień uprawiany był w różnych warunkach agrotechnicznych w uprawie czystej oraz w mieszance z owsem. Analiza statystyczna wykazała jaki jest wpływ badanych czynników na zmiany wytrzymałości doraźnej badanych odmian jęczmienia.
EN
The study dealt with an evaluation of barley grain resistance to arising the micro-damages, Barley of naked and covered grain cultivars were tested. The value of force within the range of arising micro-damages in grain compressed between two plates, was assumed as a valuation parameters. The barley used for tests was grown under various agrotechnical conditions, in pure sowing and in the mixture with oast. The influence of considered factors on the changes in crushing strength of tested barley grain cultivars was determined by a statistical analysis.
Celem pracy było określenie wpływu warunków i okresu przechowywania korzeni buraków ćwikłowych na ich jędrność. Jest to jeden z ważnych parametrów oceny jakości warzyw. W badaniach pokazano, jaki wpływ na ten parametr ma okres przechowywania buraka ćwikłowego odmiany Czerwona Kula w piwnicy i chłodni. Badania obejmowały pomiar maksymalnej siły uzyskanej w teście na ściskanie próbek w kształcie walca i kostki sześciennej. Były one przeprowadzone zaraz po zbiorze i w okresie czteromiesięcznego przechowywania, w cyklu trzytygodniowym. Analiza uzyskanych wyników wskazała występowanie jednorodności grup, które świadczyły o zmienności jakości buraków wraz z upływającym czasem. Przeprowadzona analiza regresji pozwoliła na uzyskanie funkcji o największym dopasowaniu wyników badań do modelu teoretycznego.
EN
The objective of the paper was to determine the impact of conditions and storage period of beetroots on their firmness. It is a significant assessment parameter of vegetables quality. The research showed how storing time of Red ball beetroot in a cellar or a freezer influences this parameter. The research covered measurement of the maximum power obtained in the compression test of cylinder and cube shaped samples. They were carried out soon after cropping and in the period of 4-months storing in a three-weeks cycle. Analysis of the obtained results showed uniformity of groups, which proved variability of beetroots quality along with passing time. Analysis of regression allowed obtaining the function of the highest adjustment of the research results to a theoretical model.
Celem pracy było wykorzystanie sieci neuronowych jako modelu symulacyjno- decyzyjnego procesu omłotu w kombajnie zbożowym. Proces modelowania polegał na znalezieniu najlepszej sieci neuronowej o najmniejszym błędzie przetwarzania danych kolejno dla niedomłotu i uszkodzeń ziarna. Po przeprowadzeniu procesu uczenia i testowania określono najlepsza sieć tzn. taką, która generuje wielkość strat w postaci niedomłotu i uszkodzeń ziarna z najmniejszym błędem przetwarzania. Kryterium wyboru sieci był najmniejszy błąd dla zbioru walidacyjnego. Zmiennymi prezentowanymi na wejściu sieci były parametry regulacyjne zespołu młócącego (tj. obroty bębna młócącego, wielkość zasilania regulowana prędkością jazdy kombajnu, rozmiary szczeliny roboczej) oraz wilgotność młóconego zboża. Na wyjściu obu sieci uzyskiwano wielkości strat lub niedomłotu w zależności od wartości zmiennych wejściowych. Proces modelowania wykonano w programie "Statistica Neural Network" firmy Statsoft Uzyskane modele zostały przetestowane, uruchomione i zapisane. Modele te można wykorzystać w procesie automatyzacji zbioru kombajnowego. Powstałe sieci neuronowe mogą być zastosowane w komputerze pokładowym kombajnu, który ustawiałby parametry regulacyjne w zależności od przeznaczenia ziarna tak aby niedomłot lub straty były najmniejsze.
EN
The purpose of the work was the use of neural networks as a simulation - decisionmaking model of the threshing process in the harvester. The modeling process involved finding the best neural network with the smallest data processing error for non-threshing and damage of grain, respectfully. After conducting a learning and testing process best network was specified i.e. such that generated loss value in form of non-threshing and damage of grain with the smallest processing error. As a criterion for selecting the network the smallest error for the validation set was used. Variables presented at the network input were the control parameters of the threshing unit (i.e. rotations of the threshing drum, power supply, adjustable harvester speed, dimensions of working slot) and moisture of threshed corn. At the output of both networks loss or non-threshing values were obtained depending on the input variable values. The modeling process was performed using "Statistica Neural Network" program by Statsoft. The obtained models were tested, launched and saved. These models can be used in the harvester cropping automation process. The created neural networks can be used on the harvester on-board computer, which would set the control parameters according to the grain designation to minimize non-threshing or losses.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.