ارزیابی کارایی شبکه‌های عصبی مصنوعی در مدل‌سازی زمان وینچینگ Timber Jack 450 C

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی جنگل دانشکدة منابع طبیعی دانشگاه تربیت مدرس، نور، ایران

2 دانشیار گروه جنگلداری دانشکدة منابع طبیعی دانشگاه تربیت مدرس، نور، ایران

3 دانشیار 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


عنوان مقاله [English]

Assessment of Artificial Neural Networks ability in Winching Time Study of Timber Jack 450C

نویسندگان [English]

  • Hadi Bayati 1
  • Akbar Najafi 2
  • Parviz Abdolmaleki 3
1 PhD Student, Faculty of Natural Resources, University of Tarbiat Modares, Noor, I. R. Iran
2 Associated Professor, Faculty of Natural Resources, University of Tarbiat Modares, Noor, I. R. Iran
3 Associated Professor, Faculty of Biological Science, University of Tarbiat Modares, Noor, I. R. Iran
چکیده [English]

Estimating of forest equipment productivity is an important aspect of managing cost in forestry, which leads to reduction of operations expenses. In other words, high capital cost in forest harvesting, is a good reason to argue forest engineering research and time modeling. This paper applied one of the Artificial intelligence subsets, which are called Artificial Neural Networks (ANNs), to predict winching time of wheeled skidder Timber jack 450C in Neka Choob forests. Continuous time study was performed to collect winching data during skidding operations. Winching time and related effective factors including slope, distance, number and volume at every winching cycle was measured simultaneously. Two neural networks type- Radial Basis Function and Multi Layer Perceptron- were used to develop winching time model. Moreover, in order to compare accuracy of ANNs and mathematical model, the regression analysis method was developed. Results showed that RBF network provided more accurate results in winching net time estimation compare to MLP neural network. The most effective variable in both networks was determined distance to the center of the skid trail. The results showed that the model developed by neural networks has more precision than the linear regression method.

کلیدواژه‌ها [English]

  • Forest exploitation
  • Time Study
  • Artificial Intelligence
  • Winching
  • Multi-Layer Perceptron
  • Radial Basis Function
[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.