عنوان پایان‌نامه
بهینه سازی مصرف انرژی در تسطیح اراضی به کمک GIS و الگوریتم های ژنتیک و بهینه سازی حرکت ذرات PSO
- رشته تحصیلی
- مهندسی کشاورزی - مکانیزاسیون کشاورزی
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6439;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 69625
- تاریخ دفاع
- ۰۸ تیر ۱۳۹۴
- دانشجو
- ایشام الزعبی
- استاد راهنما
- علی رجبی پور
- چکیده
- انجام تسطیح اراضی یکی از مهم‌ترین مراحل آماده‌سازی زمین است. تسطیح اراضی با ماشین‌آلات مربوطه مستلزم صرف انرژی قابل‌توجه است. افزایش قیمت انرژی و حامل‌های آن در جهان و نیز ایران، بهینه‌سازی مصرف انرژی در عملیات تسطیح را اجتناب‌ناپذیر می‌کند. در تحقیق حاضر چهار روش حداقل مجذور مربعات، روش الگوریتم ژنتیک، الگوریتم خطی بهینه‌سازی حرکت ذرات، روش منحنی الگوریتم بهینه‌سازی حرکت ذرات به‌منظور تعیین بهترین روش برای حداقل نمودن مصرف انرژی در عملیات تسطیح، مورد آزمون و بررسی قرار گرفتند. جهت افزایش دقت محاسبات، نقاط برداشت شده از نقشه‌برداری (m50×m50) وارد محیط سامانه اطلاعات جغرافیایی شده و مختصات سایر نقاط مجهول با استفاده از میان‌یابی به‌دست‌آمده و به‌منظور تعیین دقیق حجم عملیات خاکی از مدل شبکه مثلثی استفاده شد. در تمام روش‌ها، معادله صفحه تسطیح، حجم خاک‌برداری و خاک‌ریزی و نقشه سطح زمین پس از تسطیح، تفکیک سطح خاک‌برداری به خاک‌ریزی و انرژی مصرفی شامل انرژی ماشین، سوخت و نیروی انسانی محاسبه شده و روش‌های مختلف باهم مورد مقایسه قرار گرفتند. نتایج نشان داد نسبت خاک‌برداری به خاک‌ریزی در روش حداقل مجذور مربعات 26/1، در روش الگوریتم ژنتیک 14/1، در روش خطی الگوریتم بهینه‌سازی حرکت ذرات 12/1 و در روش صفحه منحنی الگوریتم بهینه‌سازی حرکت ذرات 16/1 می‌باشد. همچنین نتایج نشان می‌دهد که روش منحنی مدل الگوریتم بهینه‌سازی حرکت ذرات نسبت به روش حداقل مجذور مربعات، 45 درصد کاهش انرژی مصرفی در عملیات تسطیح را داشته است. روش الگوریتم ژنتیک سبب کاهش 42 درصدی انرژی مصرفی شده است. از بین مدل‌های مورد استفاده در روش الگوریتم ژنتیک، مدل شماره 1 بیشترین سهم انرژی مصرفی را مربوط به سوخت (حدود 73/81 درصد) و کمترین مقدار سهم انرژی مصرفی را برای نیروی انسانی (با 38/0 درصد) برآورد کرده است. لذا تحقیق حاضر مدل صفحه منحنی الگوریتم ژنتیک را با توجه به عملی بودن آن به‌عنوان مدل برتر توصیه می‌کند.
- Abstract
- One of the most important steps to prepare soil is land leveling. Land leveling with machines require considerable energy. Because of increasing price of energy and its carriers in the world and also in Iran, optimizing energy consumption in the leveling operation is expected. In this study, four methods, including, minimum least squares, genetic algorithm, linear algorithm for optimizing of the particle motions, the particle motion curve algorithm have been tested and surveyed to determine the best method of minimizing the energy consumption in the leveling exercise.To increase the accuracy of the calculations, the point height collected from mapping (50 m × 50 m) insert into the GIS environment. rest of the unknown coordinates were obtained using interpolation and a triangular network model (TIN) was used to determine the exact volume of earthworks. In all methods, the equation of the leveling plate, excavation and embankment volumes and maps of land surface after leveling, separation of excavation and embankment and the energy consumption including power of the machine, fuel and manpower were calculated then different methods were compared. The results showed that the ratio of excavation to embankment based on the methods of minimum least squares, genetic algorithm, linear algorithm for optimizing of the particle motions, the particle motion curve algorithm are equal to 1.26, 1.14, 1.12, and 1.16, respectively. On the other hands, the results showed that the method of the particle motion curve algorithm has been shown a 45% reduction in energy consumption in the leveling operation relative to the method of minimum least squares. The genetic algorithm can reduce energy consumption by 42 percent. Between the models used in the method of genetic algorithm, model No. 1 has been estimated that the largest portion of energy consumption is relevant to the fuel (up to 71.83 percent) and the lowest portion of energy consumption is relevant to the manpower (up to 0.38 percent). Therefore, the present study recommends the model of plate-curve genetic algorithm as the best model.
