Zeitschrift für Hotel- und Unternehmensmanagement
Offener Zugang

Abstrakt

Vorhersage von Umweltindikatoren bei der Landnivellierung mit Methoden der künstlichen Intelligenz

Isham Alzoubi

Die Bodennivellierung ist einer der wichtigsten Schritte in der Bodenplanung und -entwicklung. Obwohl die Bodennivellierung mit Maschinen einen hohen Energieverbrauch erfordert, wird eine gleichmäßige Oberflächenneigung mit minimaler Bodenzersetzung und Schäden an Pflanzen und anderen Lebewesen im Boden erreicht. In den letzten Jahren haben Wissenschaftler jedoch versucht, den Verbrauch von Erdölderivaten und seine schädlichen Auswirkungen mithilfe neuer Techniken wie künstlichen neuronalen Netzwerken (KNN), imperialistischen Wettbewerbsalgorithmen (ICA-ANN) und adaptiven Neuro-Fuzzy-Inferenzsystemen (ANFIS) und Sensitivitätsanalysen zu reduzieren, die zu einer spürbaren Verbesserung des Bodens führen werden. In dieser Studie wurden die Auswirkungen verschiedener Bodeneigenschaften wie Böschungsvolumen , Bodenkomprimierbarkeitsfaktor , spezifisches Gewicht, Feuchtigkeitsgehalt, Neigung, Sandanteil und Bodenquellindex auf den Energieverbrauch untersucht. Die Studie umfasste 90 Proben aus drei verschiedenen Regionen. Die Gittergröße wurde auf 20 m mal 20 m (20*20) von einem Ackerland in der Region Karaj im Iran festgelegt. Ziel dieser Arbeit war es, das beste direkte Modell, das Adaptive Neuro-Fuzzy-Inferenzsystem (ANFIS) und die Sensitivitätsanalyse zu bestimmen, um den Energieverbrauch für die Landnivellierung vorherzusagen. Laut den Ergebnissen der Sensitivitätsanalyse hatten nur drei Parameter, nämlich Dichte, Bodenkomprimierbarkeitsfaktor und Dammvolumenindex, einen entscheidenden  Einfluss auf den Brennstoffverbrauch. Laut den Ergebnissen der Regression hatten nur drei Parameter, nämlich Neigung, Abtrags-/Auftragsvolumen ( V) und Bodenquellungsindex (SSI), einen großen Einfluss auf den Energieverbrauch. Die Verwendung eines flexiblen neuro-fuzzy Ableitungssystems zur Vorhersage von Arbeitsenergie, Brennstoffenergie, Gesamtmaschinenkosten und Gesamtmaschinenenergieverbrauch kann effektiv veranschaulicht werden. Im Vergleich mit ANN hatten alle ICA-ANN-Modelle aufgrund ihres höheren R2-Werts und niedrigeren RMSE-Werts eine höhere Genauigkeit bei der Vorhersage.