Zastosowanie sieci neuronowej do określania efektywności pracy rozdrabniacza leśnego

Poprawa jakości użytkowania maszyn do prac w lesie wymaga stosowania nowoczesnych narzędzi wspomagających decyzje. Celem pracy była budowa SSN do wspomagania procesu decyzyjnego w zakresie wyznaczania efektywności wykorzystania rozdrabniacza leśnego na podstawie przewidywanych parametrów pracy. Badania przeprowadzono na dwóch różnych zestawach maszyn; ciągnika rolniczego ZTS 16245 w połączeniu z rozdrabniaczem Seppi m, i ciągnika rolniczego Crystal 160 z rozdrabniaczem Atilla ST. Zebrane dane z badań stosowano do uczenia szeregu złożonych sieci neuronowych. Parametrem wyjściowym w procesie uczenia była efektywność pracy rozdrabniacza leśnego wyrażona w rbh/ha. Porównano szereg modyfikacji wag sieci. Jako właściwe rozwiązanie w postaci nauczonej sieci przyjęto najmniejszy błąd względny uzyskany po zakończeniu procesu uczenia. Powyższe badania wykazały, że różnice błędu względnego dla różnych układów SSN są nieznaczne, mianowicie występują w przedziale od 10,7% do 19,1%. Możliwe zatem jest stosowanie tego typu rozwiązania jako narzędzia ułatwiającego zarządzanie techniką do prac leśnych.

Improvement quality of operation machines to work on forest require to use modern implements asist decision. The aim of this study is to create a model, which would use artificial neuron networks to establish the optimal effectiveness of a forestry shredder. The research ware precede on base on example of two sets of machines: Seppi m and tractor ZTS 16245, and Atilla ST and tractor Crystal 160. The initial parameter was the effectiveness of the forestry shredder indicated by working hours / area. Several modifications of network worth were compared. The process for different versions was conducted according to the methodology of comparing quality of the network learning to various number of the neurons in several layers.