Journal de la transformation et de la technologie des aliments

Abstrait

Prédiction des indicateurs environnementaux dans le nivellement des terres à l'aide de techniques d'intelligence artificielle

Isham Alzoub

Le nivellement du sol est l'une des étapes les plus importantes de la préparation et de la culture du sol. Bien que le nivellement du sol avec des machines nécessite une quantité considérable d'énergie, il offre une pente de surface appropriée avec une détérioration minimale du sol et des dommages aux plantes et autres organismes du sol. Néanmoins, au cours des dernières années, les chercheurs ont essayé de réduire la consommation de combustibles fossiles et ses effets secondaires délétères en utilisant de nouvelles techniques telles que le réseau neuronal artificiel (ANN), l'algorithme concurrentiel impérialiste -ANN (ICA-ANN), la régression et le système d'inférence neuro-floue adaptatif (ANFIS) et l'analyse de sensibilité qui conduiront à une amélioration notable de l'environnement. Dans cette recherche, les effets de diverses propriétés du sol telles que le volume du remblai, le facteur de compressibilité du sol, la gravité spécifique, la teneur en humidité, la pente, le pourcentage de sable et l'indice de gonflement du sol sur la consommation d'énergie ont été étudiés. L'étude comprenait 90 échantillons prélevés dans 3 régions différentes. La taille de la grille a été fixée à 20 m sur 20 m (20*20) sur une terre agricole de la province de Karaj en Iran. L'objectif de ce travail était de déterminer le meilleur modèle linéaire du système d'inférence neuro-floue adaptatif (ANFIS) et de l'analyse de sensibilité afin de prédire la consommation d'énergie pour le nivellement du terrain. Selon les résultats de l'analyse de sensibilité, seuls trois paramètres ; la densité, le facteur de compressibilité du sol et l'indice de volume du remblai ont eu un effet significatif sur la consommation de carburant. Selon les résultats de la régression, seuls trois paramètres ; la pente, le volume de coupe-remblai (V) et l'indice de gonflement du sol (SSI) ont eu un effet significatif sur la consommation d'énergie. L'utilisation d'un système d'inférence neuro-floue adaptatif pour la prédiction de l'énergie du travail, de l'énergie du carburant, du coût total des machines et de l'énergie totale des machines peut être démontrée avec succès. En comparaison avec l'ANN, tous les modèles ICA-ANN avaient une plus grande précision de prédiction en fonction de leur valeur R2 plus élevée et de leur valeur RMSE plus faible. Les performances de l'ICA-ANN multivariée et de la régression et du réseau neuronal artificiel et de l'analyse de sensibilité et du modèle du système d'inférence neuro-floue adaptatif (ANFIS) ont été évaluées en utilisant l'indice statistique (RMSE, R2 )). Les valeurs de RMSE et R2 dérivées par le modèle ICA-ANN étaient respectivement de 0,0146 et 0,9987 pour l'énergie du travail, de 0,0322 et 0,9975 pour l'énergie du carburant, de 0,0248 et 0,9963 pour le coût total des machines, de 0,0161 et 0,9987 pour l'énergie du total des machines, tandis que ces paramètres pour le modèle de régression multivariée étaient respectivement de 0,1394 et 0,9008 pour l'énergie du carburant, de 0,1514 et 0,8913 pour le coût total des machines (TMC) de 0,1492 et 0,9128 pour l'énergie du total des machines (0,1378 et 0,9103).Respectivement, alors que ces paramètres pour le modèle ANN étaient respectivement de 0,0159 et 0,9990 pour l'énergie du carburant, de 0,0206 et 0,9983 pour le coût total des machines (0,0287 et 0,9966), Énergie totale des machines (0,0157 et 0,9990) respectivement, tandis que ces paramètres pour le modèle d'analyse de sensibilité étaient, pour l'énergie du travail (0,1899 et 0,8631), l'énergie du carburant (0,8562 et 0,0206), le coût total des machines (0,1946 et 0,8581),Énergie totale des machines (0,1892 et 0,8437) respectivement, tandis que ces paramètres pour le modèle ANFIS étaient respectivement l'énergie du travail (0,0159 et 0,9990), l'énergie du carburant (0,0206 et 0,9983), le coût total des machines (0,0287 et 0,9966), l'énergie totale des machines (0,0157 et 0,9990). Les résultats ont montré que ICA_ANN avec sept neurones dans la couche cachée était meilleur.