مقاله پیش بینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات زیرشکنی با استفاده از رویکرد منطق فازی که چکیده‌ی آن در زیر آورده شده است، در نیمسال دوم ۱۳۹۲ در ماشین های کشاورزی از صفحه ۱۰۴ تا ۱۱۳ منتشر شده است.
نام: پیش بینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات زیرشکنی با استفاده از رویکرد منطق فازی
این مقاله دارای ۱۰ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله استنتاج ممدانی
مقاله انرژی خاک ورزی
مقاله رویکرد منطق فازی
مقاله عملیات زیر شکنی
مقاله نیروی مقاوم کششی

نویسنده(ها):
جناب آقای / سرکار خانم: عباس پورگیلانده یوسف
جناب آقای / سرکار خانم: صدقی رضا

چکیده و خلاصه‌ای از مقاله:
در این تحقیق از سیستم مبتنی بر دانش یا قواعد داده های آزمایشی و با استفاده از منطق فازی به منظور پیش بینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات خاک ورزی استفاده شده است. در مقایسه با روش های سنتی (رگرسیونی)، منطق فازی در ایجاد ارتباط بین ورودی های چندگانه به یک سیگنال خروجی در دامنه غیرخطی بسیار موثرتر عمل می کند. آزمایش ها به منظور جمع آوری داده های مورد نیاز در خاک با بافت شنی لومی در مرکز تحقیقات و ترویج دانشگاه کلمسون در نزدیکی شهر بلک ویل ایالت کارولینای جنوبی آمریکا (“۲۱ ۳۳o شمالی و “۱۸ ۸۱o غربی) انجام شد. در این مقاله، از یک مدل هوشمند، بر اساس رویکرد اصول مدل فازی ممدانی استفاده شد. این مدل فازی شامل ۲۵ قانون می باشد. در این تحقیق، استنتاج ماکسیمم – مینیمم ممدانی برای استنتاج مکانیزم (ترکیب قواعد با ورودی فازی) و روش غیر فازی ساز مرکز ثقل برای غیر فازی سازی (تبدیل خروجی نهایی سیستم به یک عدد کلاسیک) مورد استفاده قرار گرفت. اعتبار مدل ارائه شده از طریق معیار خطای عددی مبتنی بر داده های تجربی به دست آمد. نتایج پیش بینی با استفاده از مدل فازی مقادیر بسیار نزدیکی را بین مقادیر اندازه گیری شده و مقادیر پیش بینی شده نشان داد. به طوری که میانگین خطای نسبی مقادیر اندازه گیری شده و پیش بینی شده با استفاده از مدل فازی %۳٫۱ برای نیروی مقاوم کششی و %۲٫۹۴ برای انرژی مورد نیاز عملیات زیرشکنی به دست آمد. مقایسه نتایج به دست آمده از مدل فازی و مدل رگرسیونی به منظور پیش بینی نیروی مقاوم کششی و انرژی مورد نیاز عملیات زیرشکنی نشان داد میانگین خطاهای نسبی در مدل های رگرسیونی بزرگتر از مدل پیش بینی فازی می باشد.