AI Summary & Key Takeaways
AI InsightThe results obtained indicate that when ANN was created using the correct training algorithm can be used in the estimation WAS
📌 3 Key Takeaways
Abstract
In studies conducted in the field of agriculture forecasting engineering today has come to an important point and forecasting of artificial neural networks (ANN) use has become wide spread. In this study, wet aggregate stability (WAS) depending on the seasonal variation has been investigated whether it can be estimated or not using ANN pilot area soils located in, Avşar Campus of Kahramanmaraş Sütçü İmam University. Selected based on the results of the statistical evaluation of soil properties were used as independent variables and predictive ANN’s have been developed to WAS. In Network training WAS values that are the closest to the actual have tried to reach by using twelve different learning algorithms. Used in the training of these different Back-propagation algorithms’ performances were evaluated using coefficient of determination (R2), the square root of the mean square error (RMSE) and mean absolute percentage error (MAPE). R2 values 0.55-0.99, RMSE values 2.12-11.33 % and MAPE values 3.55-20% of the created ANNs through education different algorithms has changed in the ranges. ANNs was developed when R2 was compared with each other on the basis of criteria networks in terms of estimation power to WAS, R2 values were found above 0.97 of BFGS algorithm with the exception of trained network of all. On the other hand, created ANNs when evaluated according to the criteria of the RMSE has been reached to result that most successful network was developed network with RP's algorithm (12.2%) and the most failed network was developed network with BFGS (11.33%) algorithm. Considering the MAPE indication of the forecasting power, the highest network with OSS algorithm (3.55%) the trained with ANN and forecasting power has been the lowest trained ANN with BFGS algorithm (20%). The results obtained indicate that when ANN was created using the correct training algorithm can be used in the estimation WAS
Özet
Tarım alanında yürütülen çalışmalarda tahminleme mühendisliği günümüzde önemli bir noktaya gelmiş ve tahminlemede yapay sinir ağlarının (YSA) kullanımı giderek yaygınlaşmıştır. Bu çalışmada, Kahramanmaraş Sütçü İmam Üniversitesi, Avşar Yerleşkesi’nde bulunan pilot alanda yer alan toprakların, mevsime bağlı olarak değişim gösteren ıslak agregat stabilitesi (WAS) değerlerinin YSA kullanılarak tahminlenebilirliği araştırılmıştır. İstatistiksel değerlendirmelerin sonuçlarına dayanılarak seçilen toprak özellikleri bağımsız değişkenler olarak kullanılmış ve WAS’ı tahminleyen YSA’lar geliştirilmiştir. Ağ eğitiminde on iki farklı öğrenme algoritması kullanılarak gerçeğe en yakın WAS değerlerine ulaşılmaya çalışılmıştır. Eğitimde kullanılan bu farklı geri yayılım algoritmalarının performansları determinasyon katsayısı (R2), hata kareler ortalamasının karekökü (RMSE) ve ortalama mutlak hata yüzdesi (MAPE) kriterleri yardımıyla değerlendirilmiştir. Farklı algoritmaların eğitimi yoluyla oluşturulan YSA’ların R2 değerleri 0.55-0.99, RMSE değerlerinin % 2.12-11.33 ve MAPE’nin ise % 3.55-20 aralıklarında değişim göstermiştir. Geliştirilen YSA’lar WAS’ı tahminleme gücü bakımından R2 ölçütü esas alınarak birbirleri ile karşılaştırıldığında, BFGS (BFGS Quasi-Newton geri yayılım algoritması) algoritması ile eğitilen ağ hariç bütün ağların R2 değerleri 0.97 ve üzerinde bulunmuştur. Diğer taraftan, oluşturulan YSA’lar RMSE kriterine göre değerlendirildiğinde en başarılı ağın esnek geri yayılım algoritması (RP) (% 2.12) ile eğitilen ağ ve en başarısız ağın BFGS (% 11.33) algortiması ile geliştirilen ağ olduğu sonucuna ulaşılmıştır. MAPE göstergesi dikkate alındığında ise, tahminleme gücü en yüksek ağ tek adım sekand geri yayılım algoritması (OSS) (% 3.55) ile eğitilen YSA ve tahminleme gücü en düşük ağ BFGS algoritması (% 20) ile eğitilen YSA olmuştur. Elde edilen bulgular, YSA’ların doğru eğitim algoritması kullanılarak oluşturulduklarında WAS’ı tahminlemede kullanılabileceğine işaret etmektedir.