- Tytuł:
-
Estimation of longitudinal precipitation of liquid indicator (LPLI) with the use of the artificial neural network (MLP, RBF) models
Estymacja wskaźnika opadu podłużnego rozpylonej cieczy (Wso) za pomocą sztucznych sieci neuronowych (MLP i RBF) - Autorzy:
-
Pentoś, K.
Cieniawska, B.
Łuczycka, D. - Powiązania:
- https://bibliotekanauki.pl/articles/334681.pdf
- Data publikacji:
- 2018
- Wydawca:
- Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
- Tematy:
-
spraying efficiency
artificial neural network
longitudinal precipitation
jakość opryskiwania
sztuczne sieci neuronowe
rozkład podłużny - Opis:
-
The study presents the results of the analysis of two artificial neural networks as models of relationships between longitudinal precipitation of liquid indicator and selected technical and technological factors of spraying process. The measurements were conducted in laboratory conditions. A wind tunnel was primary element in experimental set-up. Based on the results, it can be stated that MLP model (R2 = 0.908 for validation data set) was more accurate that RBF model (R2 = 0.837 for validation data set). The analysis of input variables’ contribution indicated that the LPLI is influenced the most by the air flow speed and the droplet size. Spray boom height and spray nozzle angle were less influencing parameters.
W pracy przedstawiono wyniki analizy dwóch modeli matematycznych zależności między wskaźnikiem opadu podłużnego rozpylonej cieczy a wybranymi technicznymi i technologicznymi parametrami procesu opryskiwania. Modele zbudowano wykorzystując sztuczne sieci neuronowe. Pomiary przeprowadzono w warunkach laboratoryjnych. Głównym elementem stanowiska badawczego był tunel aerodynamiczny. Na podstawie otrzymanych wyników można stwierdzić, że model oparty o sieć MLP (R2 = 0.908 dla zbioru walidacyjnego) charakteryzował się wyższą dokładnością niż model oparty o sieć RBF (R2 = 0.837 dla zbioru walidacyjnego). Analiza stopnia wpływu poszczególnych parametrów wejściowych modelu na jego wyjście wskazuje, że największy wpływ na Wso mają prędkość przepływu powietrza oraz wielkość kropli. Wysokość belki opryskowej oraz kąt nachylenia rozpylacza w znacznie mniejszym stopniu wpływają na Wso. - Źródło:
-
Journal of Research and Applications in Agricultural Engineering; 2018, 63, 1; 58-62
1642-686X
2719-423X - Pojawia się w:
- Journal of Research and Applications in Agricultural Engineering
- Dostawca treści:
- Biblioteka Nauki
Artykuł