فهرست نشریات علمی دسترسی آزاد ایران

پرداختن به چالش‌های وسایل نقلیه خارج از جاده در زمین‌های غیرمتعارف، مدل‌های پیش‌بینی‌ بر پایه‌ی یادگیری ماشین را برای تعاملات چرخ و خاک ضروری می‌کند. علی‌رغم علاقه فزاینده به یادگیری ماشین برای مطالعات تعامل چرخ و خاک، پژوهش‌های محدودی بر روی استفاده از رویکردهای مبتنی بر شبکه‌های عصبی مصنوعی برای پیش‌بینی تشکیل شیار ناشی از چرخ متمرکز شده است. هدف اصلی پژوهش حاضر پیش‌بینی تأثیر تایرهای بادی کشاورزی تحت بارها، سرعت‌ها و عبورهای متعدد بر تشکیل شیارهای خاک در شرایط انباره‌ی خاک کنترل‌شده است. در این تحقیق شبکه‌های عصبی مصنوعی با الگوریتم پس‌انتشار، برای پیش‌بینی عمق شیار مورد استفاده قرار گرفت و مدل به‌دست‌آمده با داده‌های تجربی اعتبارسنجی شد. علاوه بر این، از روش آزمون-خطا برای بهینه‌سازی فراپارامترهای شبکه عصبی استفاده شد. پیکربندی بهینه برای شبکه پرسپترون چندلایه با تکانه 0.9 و نرخ یادگیری 0.35 به خطای جذر میانگین مربعات 0.10 دست یافت. شبکه عصبی تابع شعاعی پایه، با پهنای تابع گوسی برابر 3.90 و نرخ نرمال‌سازی برابر 0.02، جذر میانگین مربعات خطا برابر 0.12 را نشان داد. درحالی‌که شبکه پرسپترون چندلایه دقت بالایی را نشان داد، شبکه تابع شعاعی پایه هزینه‌های محاسباتی کم‌تر و زمان پاسخ‌دهی سریع‌تری را ارائه می‌دهد که آن را برای کاربردهای بلادرنگ مناسب می‌سازد. شبکه‌های عصبی بر روی داده‌های تجربی نادیده اعتبارسنجی شدند و قابلیت‌های قوی و تعمیم آن‌ها را تایید کردند.