مقایسه کارایی شبکه عصبی مصنوعی و رگرسیون در پیش‌بینی زمان چوبکشی اسکیدر چرخ زنجیری زتور و تراکتور کشاورزی
محورهای موضوعی : جنگلدارینجیبه گیلانی پور 1 , اکبر نجفی 2 , حمید آریا 3
1 - دانشجوی دکتری علوم جنگل، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، تهران، ایران.
2 - دانشیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، تهران، ایران.
3 - کارشناسی‌ارشد جنگلداری، دانشکده علوم کشاورزی و منابع طبیعی، دانشگاه گرگان، گرگان، ایران.
کلید واژه: مدلسازی, اسکیدر چرخ زنجیری, تحلیل حساسیت, تراکتور کشاورزی, عملکرد ماشین, عملیات چوبکشی,
چکیده مقاله :
داشتن اطلاعات دقیق درباره بازدهی ماشین آلات چوبکشی به‌منظور کاهش هزینه های حمل‌ونقل با استفاده از مدل های آماری نوین در مطالعه های مهندسی جنگل بسیار با ارزش است.در این مطالعه مدل سازی پیش بینی زمان چوبکشی اسکیدر چرخ زنجیری زتور و تراکتور کشاورزی با استفاده از شبکه عصبی مصنوعی و مدل رگرسیون خطی چندگانه انجام شد، سپس کارآیی مدل ها با هم مقایسه گردید. فاصله چوبکشی، شیب مسیر چوبکشی، حجم و تعداد گرده بینه در هر نوبت چوبکشی به عنوان متغیرهای مستقل (متغیر ورودی) و زمان هر نوبت چوبکشی به عنوان متغیر وابسته (متغیر پاسخ) وارد مدل شدند. نتایج نشان داد که در پیش‌بینی زمان چوبکشی اسکیدر چرخ زنجیری زتور میزان ضریب تبیین شبکه عصبی MLP و مدل رگرسیون به ترتیب 78/0 و 55/0 و میزان خطای مدل ها به ترتیب 19/0 و 42/0 می باشد. همچنین در سیستم چوبکشی تراکتور کشاورزی میزان ضریب تبیین شبکه عصبی MLP و مدل رگرسیون به ترتیب 70/0 و 62/0 و میزان خطای مدل ها به ترتیب 18/0 و 28/0 می باشد. بنابراین در هر دو سیستم چوبکشی شبکه عصبی MLP در پیش‌بینی زمان چوبکشی نسبت به مدل رگرسیون خطی چندگانه کارآیی بیشتری دارد. تحلیل حساسیت شبکه عصبی مصنوعی و رگرسیون نشان داد که در اسکیدر چرخ زنجیری زتور فاصله چوبکشی و در تراکتور کشاورزی شیب مسیر چوبکشی بیشترین اهمیت را دارند.
Having accurate information about the efficiency of skidding machines in order to reduce transportation costs inforest engineering studies using modern statistical models is very valuable. In this study, the prediction of the skiddingtime in steel tracked skidder and agriculture tractor was performed using an artificial neural network and multiple linearregression model and then the efficiency of the models was compared. The variables of skidding distance, slope, andvolume in each skidding cycle as independent variables (input variable) and time of each skidding cycle as thedependent variables (response variable) were entered into the model. The results showed the prediction in skidding timeof steel tracked skidder, the explanation coefficient of the MLP neural network and regression model were 0.78 and0.55, respectively and the error rate of models was 0.19 and 0.42, respectively. Also, in the agricultural tractor system,the explanation coefficient of MLP neural network and regression model were 0.70 and 0.62, respectively, and the errorrate of models was 0.18 and 0.28, respectively. Therefore, in both skidding systems, MLP neural network is moreefficient in predicting skidding time than the multiple linear regression model. Sensitivity analysis of the artificialneural network and regression showed that the skidding distance variable in the steel tracked skidder chain wheel andthe skidding path slope variable in the agricultural tractor are the most important.
_||_