Controlling Spray Particle Size Using Artificial Neural Networks

Document Type : Research Paper

Authors

Abstract

Considering safety and environmental issues are very important in all domains of agriculture, industry and services in different countries.  In the agricultural domain despite of numerous efforts to find alternative methods, millions of liters of toxic chemicals are used by chemical methods to control plant pests every year. Certainly, the most important issue in spraying is the size of drops which is influenced by several factors including pressure, nozzle hole diameter, viscosity of the chemical solution and wind speed in the area.  In this study, MLP network Feed Forward modeling was used. Input consisted of two layers including  nozzle diameter (three sizes) and spraying pressure (three pressure levels). Output of the artificial neural network determined by  volume median diameter. In order to choose the best procedure, five methods including gradient descending, descending gradient with momentum, Levenberg-Marquart, conjugate gradient and Delta Bar Delta were used. Considering both minimum mean square error and coefficient of determination, the descending gradient with momentum was chosen. After training and validation of the network, MSE and coefficient of determination were 0.0176 and 0.90, respectively. In order to verify the results from neural network several tests were carried out and observed particle diameters were compared with values ​​obtained from neural networks  by chi-square test. The difference was not significant.These results indicate that neural networks can estimate properly the size of the droplets .

Keywords

References

البرزی م،1386. آشنایی با شبکه‌های عصبی. انتشارات علمی دانشگاه صنعتی شریف، چاپ دوم.  
بی نام، 1389. راهنمای روش­های توزیع مکانی عوامل اقلیمی بااستفاده از داده­های نقطه­ای. شماره 368-الف
پیمان ل، عبدله­پور ش، محمودی ا، مقدم م و رعنابناب ب، 1389. مدل­سازی اندازه ذرات سم در سمپاشی با استفاده از شبکه­های عصبی مصنوعی. پایان­نامه کارشناسی ارشد مکانیک ماشینهای کشاورزی، دانشگاه تبریز.
دانشجو م­ا، عباسپورفرد م­ح، آق­خانی م­ح و آرین م، 1387. طراحی و ارائه نرم افزار مناسب سنجش تراکم و اندازه قطرات سم. پنجمین کنگره ملی مهندسی ماشین­های کشاورزی و مکانیزاسیون ایران، مشهد.  
شفیعی ف، 1371. اصول ماشین­های کشاورزی (تألیف کپنر،بینر و بارکر). چاپ اول. انتشارات دانشگاه تهران. 
علیزاده ح، 1363. تئوری و ساختمان ماشین­های کشاورزی (تألیف برناکی، هامان و کانافوجیسکی). انتشارات ذوقی .
فاست ل، 1388. مبانی شبکه­های عصبی. چاپ اول.  انتشارات نصر .
محمودی ا، 1385 ارائه یک الگوریتم مناسب مبتنی بر شبکه های عصبی مصنوعی جهت جداسازی پسته­های خندان به روش آکوستیکی به صورت زمان واقعی. پایان­نامه دکتری مکانیک ماشینهای کشاورزی، دانشگاه تهران.
مصری گندشمین ت، قاسم­زاده ح، عبداله­پور ش و نوید ح، 1388. بهینه­سازی افت کمباین با استفاده از سیستم­های هوشمند. رساله دکتری در رشته مهندسی مکانیزاسیون کشاورزی. دانشگاه تبریز.
منهاج م­ب، 1379 . هوش محاسباتی. جلد اول، مبانی شبکه­­های عصبی. انتشارات دانشگاه امیرکبیر.
Chen Y, Zheng  J, Xiang  H  and Huang  S, 2006. Study on an intelligent system for precision pesticide application based on fuzzy control and machine vision. An ASABE MeetingPresentation. 9 - 12 July,  Paper No: 06112
Marcal ARS and Cunha M, 2008. Image processing of artificial targets for automatic evaluation of spray quality. Transaction of the ASABE  51: 811-821.
Reichard  DL, Zhu  H, Downer RA, Fox RD, Brazee  RD, Ozkan HE and Hall FR, 1996. A system to­­ evaluate shear effects on spray drift retardation performance. Transactions of the ASAE 39: 1993-1999. 
Wolf RE, 2005. Comparing downwind spray droplet deposits of four flat-fan nozzle types measured in a wind tunnel and analyzed using droplet scan software. Power & Machinery Division of ASAE 21: 173−177.

Files

Share

How to cite

Statistics