تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,500 |
تعداد مشاهده مقاله | 124,084,437 |
تعداد دریافت فایل اصل مقاله | 97,188,709 |
ارزیابی کارایی شبکههای عصبی مصنوعی در مدلسازی زمان وینچینگ Timber Jack 450 C | ||
نشریه جنگل و فرآورده های چوب | ||
مقاله 3، دوره 68، شماره 4، دی 1394، صفحه 757-769 اصل مقاله (1009.4 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/jfwp.2015.57112 | ||
نویسندگان | ||
هادی بیاتی1؛ اکبر نجفی* 2؛ پرویز عبدالمالکی3 | ||
1دانشجوی دکتری مهندسی جنگل دانشکدة منابع طبیعی دانشگاه تربیت مدرس، نور، ایران | ||
2دانشیار گروه جنگلداری دانشکدة منابع طبیعی دانشگاه تربیت مدرس، نور، ایران | ||
3دانشیار گروه بیوفیزیک دانشکدة علوم زیستی دانشگاه تربیت مدرس، تهران، ایران | ||
چکیده | ||
برآورد تولید تجهیزات جنگلی بخش مهمی از مدیریت هزینهها در یک واحد جنگلداری است که با کاهش هزینههای عملیات همراه است. به عبارت دیگر، هزینههای بالای سرمایهگذاری در بهرهبرداری از جنگل دلیل خوبی برای تحقیقات مهندسی جنگل و همچنین مدلسازی زمان است. در این مطالعه از یکی از زیرمجموعههای هوش مصنوعی، که شبکههای عصبی مصنوعی نامیده میشود، به منظور مدلسازی زمان وینچینگ Timber Jack 450C، در جنگلهای نکاچوب استفاده شد. برای جمعآوری دادههای زمان وینچینگ روش مطالعة زمانی پیوسته به کار رفت. همزمان با اندازهگیری زمان وینچینگ، عوامل مؤثر بر زمان وینچینگـ مانند شیب وینچینگ، فاصلة وینچینگ، تعداد بینه در هر نوبت وینچینگ، و حجم بار در هر نوبت وینچینگـ نیز بررسی شد. برای مدلسازی زمان وینچینگ، به کمک شبکههای عصبی مصنوعی، از دو شبکة عصبی پرسپترون چندلایه و تابع شعاع مدار استفاده شد. همچنین، به منظور مقایسة دقت شبکة عصبی مصنوعی با روش رایج رگرسیون، به کمک تحلیل رگرسیون، مدل ریاضی پیشبینی زمان وینچینگ تهیه شد. نتایج نشان داد شبکة عصبی RBF در مقایسه با شبکة MLP در پیشبینی زمان وینچینگ دقت بیشتری دارد. در هر دو شبکه متغیر فاصلة بینه تا مرکز مسیر چوبکشی بیشترین اهمیت را داشت. همچنین، مقایسة نتایج روش رگرسیون و شبکة عصبی نشان داد شبکههای عصبی مصنوعی دقت بیشتر و خطای کمتری در برآورد زمان وینچینگ دارند. | ||
کلیدواژهها | ||
بهرهبرداری جنگل؛ پرسپترون چندلایه؛ تابع شعاع مدار؛ زمانسنجی؛ وینچینگ؛ هوش مصنوعی | ||
مراجع | ||
[1]. Sarikhani, N. (2008). Forest Utilization. 3ed, University of Tehran Press, Tehran, Iran. [2]. Davis, C. T. and Kellogg, L. D. (2005) Measuring machine productivity with the multiDat datalogger: a demonstration on three forest machines. Council on Forest Engineering Conference Proceedings. [3]. Wang, J., McNeel, J., and Baumgras, J. (2003). A computer-based time study system for timber harvesting operations. Forest Products Journal, 53(3): 47-53. [4]. Naghdi, R., Nikooy, M., Mohammadi Limaei, S., and Shormage, Y. (2010). Evaluation of felling productivity in Shafarood forest (Guilan Province). Iranian Journal of Forest And Poplar Research, 18(3): 417-425. [5]. Pir Ba Vaghar , M., Sobhani, H., Feghhi, J., Darvishsefat, A. A., and Marvi Mohajer, M. R. (2008). Investigation on production rate and cost of Timberjack-450C in two skidding direction in combined harvesting system. Iranian Journal of Forest and Poplar Research, 15(4): 374-385. [6]. Eghtesadi, A. (2008). Evaluation of Wood Productivity Rate in Primary and Secondary Transportation in Nekachub Region. Iranian Journal of Forest and Poplar Research, 16(2): 274-291. [7]. Egan, A. F. and Baumgras, J. E. (2003). Ground skidding and harvested stand attributes in Appalachian hardwood stands in West Virginia. Forest Products Journal, 53(9): 59-63. [8]. Adams, T. C. (1965). High-lead logging costs as related to log size and other variables. USFS Res. Pap. Pacific. Northwest. For. Range Exp. Sta. No. PNW-23. [9]. Menhaj, M. B. (2002). Neural Network Basis, Amir Kabir Industrial University Publication, Tehran, Iran. [10]. Özçelik, R., Diamantopoulou, M. J., Brooks, J. R., and Wiant, H. V. (2010). Estimating tree bole volume using artificial neural network models for four species in Turkey. Journal of environmental management, 91(3): 742-753. [11]. Karaman, A. and Çalışkan, E. (2009). Affective factors weight estimation in tree felling time by artificial neural networks. Expert Systems with Applications, 36(3): 4491-4496. [12]. Bayati, H., Najafi, A., and Abdolmaleki, P. (2013). Comparison between Artificial Neural Network (ANN) and Regression Analysis in Tree Felling Time Estimation). Iranian Journal of Forest and Poplar Research, 20(4): 595-607. [13]. Bayati, H. and Najafi, A. (2013). Performance comparison Artificial Neural Networks with regression analysis in trees trunk volume estimation. Journal of Forest and Wood Products, 66(2): 177-191. [14]. FRO. (2008). Forestry Plan Notebook, District 2, watershed 75, Neka-Zalem rood, Neka Choob Forest Co, Forests andRanges Organization, Sari, Iran. [15]. Gardner, R. W. (1963). New tools to hone harvesting. Pulp and Paper. April, 29 73-75. [16]. Strobl, R. O. and Forte, F. (2007). Artificial neural network exploration of the influential factors in drainage network derivation. Hydrological processes, 21(22): 2965-2978. [17]. Rumelhart, D. E., McClelland, J. L., and Group, U. o. C. S. D. P. R. (1986). Parallel distributed processing : explorations in the microstructure of cognition, MIT Press, Cambridge, Mass. [18]. Kia, M. (2010). Neural network in MATLAB. Kian Rayaneh Sabz, Tehran. | ||
آمار تعداد مشاهده مقاله: 1,646 تعداد دریافت فایل اصل مقاله: 813 |