खाद्य प्रसंस्करण एवं प्रौद्योगिकी जर्नल

अमूर्त

कृत्रिम बुद्धिमत्ता तकनीकों का उपयोग करके भूमि समतलीकरण में पर्यावरण संकेतकों की भविष्यवाणी

इशाम अलज़ौब

भूमि समतलीकरण मिट्टी की तैयारी और खेती में सबसे महत्वपूर्ण चरणों में से एक है। हालाँकि मशीनों से भूमि समतलीकरण के लिए काफी मात्रा में ऊर्जा की आवश्यकता होती है, लेकिन यह मिट्टी की न्यूनतम गिरावट और मिट्टी में पौधों और अन्य जीवों को नुकसान के साथ एक उपयुक्त सतह ढलान प्रदान करता है। फिर भी, हाल के वर्षों में शोधकर्ताओं ने नई तकनीकों जैसे कि कृत्रिम तंत्रिका नेटवर्क (एएनएन), साम्राज्यवादी प्रतिस्पर्धी एल्गोरिथ्म -एएनएन (आईसीए-एएनएन), और प्रतिगमन और अनुकूली न्यूरो-फ़ज़ी इंफ़रेंस सिस्टम (एएनएफआईएस) और संवेदनशीलता विश्लेषण का उपयोग करके जीवाश्म ईंधन की खपत और इसके हानिकारक दुष्प्रभावों को कम करने की कोशिश की है, जिससे पर्यावरण में उल्लेखनीय सुधार होगा। इस शोध में ऊर्जा की खपत में विभिन्न मिट्टी के गुणों जैसे कि तटबंध की मात्रा, मिट्टी की संपीड़न क्षमता, विशिष्ट गुरुत्व, नमी की मात्रा, ढलान, रेत का प्रतिशत और मिट्टी की सूजन सूचकांक के प्रभावों की जाँच की गई। अध्ययन में 3 अलग-अलग क्षेत्रों से एकत्र किए गए 90 नमूने शामिल थे। ग्रिड का आकार ईरान के करज प्रांत में एक खेत से 20 मीटर (20*20) में 20 मीटर सेट किया गया था। इस काम का उद्देश्य भूमि समतलीकरण के लिए ऊर्जा की खपत की भविष्यवाणी करने के लिए सबसे अच्छा रैखिक मॉडल अनुकूली न्यूरो-फ़ज़ी इंफ़रेंस सिस्टम (एएनएफआईएस) और संवेदनशीलता विश्लेषण निर्धारित करना था। संवेदनशीलता विश्लेषण के परिणामों के अनुसार, केवल तीन पैरामीटर; घनत्व, मृदा संपीड़न कारक और तटबंध मात्रा सूचकांक का ईंधन की खपत पर महत्वपूर्ण प्रभाव पड़ा। प्रतिगमन के परिणामों के अनुसार, केवल तीन पैरामीटर; ढलान, कट-भरण मात्रा (V) और मृदा सूजन सूचकांक (एसएसआई) का ऊर्जा की खपत पर महत्वपूर्ण प्रभाव पड़ा। श्रम ऊर्जा, ईंधन ऊर्जा, कुल मशीनरी लागत और कुल मशीनरी ऊर्जा की भविष्यवाणी के लिए अनुकूली न्यूरो-फ़ज़ी इंफ़रेंस प्रणाली का उपयोग सफलतापूर्वक प्रदर्शित किया जा सकता है। बहुभिन्नरूपी आईसीए-एएनएन और प्रतिगमन और कृत्रिम तंत्रिका नेटवर्क और संवेदनशीलता विश्लेषण और अनुकूली न्यूरो-फ़ज़ी अनुमान प्रणाली (एएनएफआईएस) मॉडल के प्रदर्शन का मूल्यांकन सांख्यिकीय सूचकांक (आरएमएसई, आर2) का उपयोग करके किया गया था। आईसीए-एएनएन मॉडल द्वारा निकाले गए आरएमएसई और आर२ के मान क्रमशः श्रम ऊर्जा (०.०१४६ और ०.९९८७), ईंधन ऊर्जा (०.०३२२ और ०.९९७५), कुल मशीनरी लागत (०.०२४८ और ०.९९६३), कुल मशीनरी ऊर्जा (०.०१६१ और ०.९९८७) थे, जबकि बहुभिन्नरूपी प्रतिगमन मॉडल के लिए ये पैरामीटर क्रमशः श्रम ऊर्जा (०.१३९४ और ०.९००८), ईंधन ऊर्जा (०.१५१४ और ०.८९१३), कुल मशीनरी लागत (टीएमसी) (०.१४९२ और ०.९१२८), कुल मशीनरी ऊर्जा (०.१३७८ और ०.९१०३) थे। क्रमशः, जबकि एएनएन मॉडल के लिए ये पैरामीटर क्रमशः श्रम ऊर्जा (०.०१५९ और ०.९९९०), ईंधन ऊर्जा (०.०२०६ और ०.९९८३), कुल मशीनरी लागत (0.0287 और 0.9966), कुल मशीनरी ऊर्जा (0.0157 और 0.9990) क्रमशः, जबकि संवेदनशीलता विश्लेषण मॉडल के लिए ये पैरामीटर थे, श्रम ऊर्जा (0.1899 और 0.8631), ईंधन ऊर्जा (0.8562 और 0.0206), कुल मशीनरी लागत (0.1946 और 0.8581),कुल मशीनरी ऊर्जा (0.1892 और 0.8437) क्रमशः, जबकि एएनएफआईएस मॉडल के लिए ये पैरामीटर क्रमशः श्रम ऊर्जा (0.0159 और 0.9990), ईंधन ऊर्जा (0.0206 और 0.9983), कुल मशीनरी लागत (0.0287 और 0.9966), कुल मशीनरी ऊर्जा (0.0157 और 0.9990) थे, परिणामों से पता चला कि छिपी परत में सात न्यूरॉन्स के साथ आईसीए_एएनएन बेहतर था।