ИССЛЕДОВАНИЕ СБОРА И ТРАНСПОРТИРОВКА САХАРНОГО ТРОСТНИКА АГРОПРОМЫШЛЕННОГО ПРОИЗВОДСТВА

АННОТАЦИЯ

В этой статье исследуется сбор и транспортировка сахарного тростника посредством интегрирования данных при помощи модели анализа оболочки данных. В котором можно отметить определенный метод по древу решений развивающие широкий круг исследователей в различных областях. При увеличении объема данных и необходимости анализировать информацию и прогнозировать переменные, интеллектуальный анализ данных, особенно дерево решений особенно практичен.

ABSTRACT

This article explores the collection and transportation of sugar cane through data integration using a data shell analysis model. In which one can note a certain decision tree method developing a wide range of researchers in various fields. As the volume of data increases and the need to analyze information and predict variables, data mining, especially decision trees, is especially practical.

Ключевые слова: Модель, сбор, транспортировка, тростник, производство, завод, комплекс, данные, ущерб, доход.

Keywords: Model, assembly, transportation, reed, production, plant, complex, data, damage, income.

Сбор урожая и его транспортировка из двух измерений оказывает большое влияние на производство сахарного тростника и доходы агропромышленного комплекса. С точки зрения затрат, на которые приходится большая часть затрат на производство сахарного тростника, и с точки зрения доходов, из-за количества отходов сахарного тростника во время сбора урожая и качества продукта, отправляемого на завод, а также суммы ущерба, нанесенного ферме и пня сахарного тростника, он оказывает большое влияние на объем урожая в том же году, увеличивая доход на 21 год и, в конечном итоге, на доход агропромышленного комплекса.

Модель анализа оболочки данных (АОД) является полезным инструментом для измерения эффективности нескольких организационных единиц с одинаковой структурой. Другими словами, модель АОД

минимизирует отношение входов к выходам. Это исследование представляет собой попытку определить эффективность сборочных единиц, расположенных на предприятиях по производству сахарного тростника, чтобы выявить неэффективные или менее эффективные единицы. С другой стороны, из-за увеличения объема данных и необходимости анализировать информацию и прогнозировать переменные, интеллектуальный анализ данных, особенно дерево решений, может быть полезным. Дерево решений — один из методов интеллектуального анализа данных. Дерево решений — это диаграмма, на которой показана система классификации или прогностическая модель, а также способ отображения ряда правил, ведущих к категории или значении. В последние годы широкий круг исследователей в различных областях использовал модель АОД, модель интеллектуального анализа данных и комбинацию двух методов

Поскольку производство сельскохозяйственных культур зависит от географических, биологических, политических,и экономических факторов, интеллектуальный анализ данных может решить задачу извлечения знаний из этих необработанных данных и оценки объема производства сельскохозяйственных культур. Ферраро и др. (2009) проанализировали большую производственную базу данных, описывающую модели урожайности. Они изучили влияние нескольких факторов, контролирующих урожайность сахарного тростника в одном из важнейших районов производства сахарного тростника в Аргентине. Они предложили использовать метод интеллектуального анализа данных, называемый деревом классификации и регрессии (CART), чтобы определить зависимость урожайности сахарного тростника от изменения факторов окружающей среды и управления.

Рамеш и Вардхан (2013) предсказали урожайность сельскохозяйственной продукции, используя различные методы интеллектуального анализа данных, такие как K-средние, K-ближайшие соседи, машины опорных векторов и искусственные нейронные сети. Они хотели найти модель с высокой точностью и способностью прогнозировать урожай сельскохозяйственной продукции. Джейсентил и др. (2014) разработали и спрогнозировали систему поддержки базы данных о почве сахарного тростника с использованием метода кластеризации интеллектуального анализа данных (k-средних). Эверингама и др. (2009) в Австралии и Fernandesetal. (2011) в Бразилии оценили урожайность ферм по выращиванию сахарного тростника, используя методы интеллектуального анализа данных. Медар и Раджпурохит (2014) представили различные методы прогнозирования урожайности с использованием методов интеллектуального анализа данных.

Различные методы интеллектуального анализа данных, такие как K-средние, K-ближайшие соседи (KNN), искусственные нейронные сети (ANN) и машины опорных векторов (SVM) для самых последних применений техники интеллектуального анализа данных. е в сфере сельского хозяйства.

В этом исследовании изучается, как оценить эффективность агрегатов для уборки сахарного тростника с использованием комбинации моделей АОД и деревьев решений, и в качестве примера рассматриваются агрегаты для уборки сахарного тростника в агропромышленном комплексе по производству сахарного тростника.

Поскольку АОД оценивает эффективность сборочных единиц и дерева решений для прогнозирования их эффективности, это исследование позволяет менеджерам использовать результаты для повышения эффективности своих будущих решений.

Критерии измерения эффективности агрегатов для уборки сахарного тростника В этом исследовании для измерения эффективности агрегатов для уборки сахарного тростника и наилучшего способа определить, какой из агрегатов имеет наилучшие показатели уборки, девять показателей, включая фактическое количество гидравлического масла, израсходованного во время уборки урожая после капитального ремонта. комбайна (литр), расход топлива (литр), стоимость ремонта и расходных частей комбайнов (риалы), количество собранного урожая (тонн), время сбора урожая (сутки), количество убранной площади (га) , часы без тростника на заводе, количество мусора, отправленного на завод (в процентах), и количество отходов сахарного тростника на ферме (килограмм). Для анализа данных использовалась модель АОД для измерения эффективности единиц уборки сахарного тростника, а модель деревьев классификации и регрессии (CART) использовалась для моделирования и прогнозирования эффективности этих единиц.

Улла и др. (2019) проанализировали эффективность различных систем производства сахарного тростника в Таиланде.

Результат показал, что средний показатель эффективности систем производства сахарного тростника составляет примерно 52%. Анализ эффективности указывает на огромный потенциал для повышения эффективности за счет сокращения текущей структуры сельскохозяйственных ресурсов. Эффективность также можно повысить, внедрив передовые методы управления фермами по выращиванию сахарного тростника. Кааб и др. (2019) сообщили о средних показателях технической эффективности, масштабной эффективности и чистой технической эффективности производства сахарного тростника в Иране на уровне 0,91, 0,98 и 0,93 соответственно. KhaiandYabe (2011) сообщили, что TE для производства риса-сырца во Вьетнаме составляет 0,816. Эльхами и др. (2016) подсчитали, что TE, PTE и SE для производства нута в провинции Исфахан в Иране составили 0,94, 0,99 и 0,94 соответственно.

Средний технический КПД неэффективных агрегатов равен 0,83, что показывает, что при использовании 83 % вложений и сохранении их выпуска на том же уровне эти агрегаты могут достичь предела эффективности и сэкономить 17 % вложений за счет увеличения своего.

Список литературы:

1. Бэнкер, Р. Д., А., Чарнз и В. В. Купер. 1984. Некоторые модели для оценки технической и масштабной неэффективности в анализе оболочки данных. Наука управления 30 (9): 1078-1092.
2. Чарнз А., В.В., Купер и Э. Родс. 1978. Измерение эффективности подразделений, принимающих решения. Европейский журнал операционных исследований 2: 429-44.
3. Чан Т.С., П.Ю., Ченг и Ф.Ю. Леу. 2017. Прогноз технической эффективности и финансового кризиса индустрии информационных и коммуникационных технологий Тайваня с помощью дерева решений и АОД. Мягкие вычисления 21 (18): 5341-5353.
4. Эльхами Б., А. Акрам и М. Ханали. 2016. Оптимизация энергопотребления и воздействия производства нута на окружающую среду с использованием подходов анализа оболочки данных (АОД) и многоцелевого генетического алгоритма (MOGA). Обработкаинформациивсельскомхозяйстве 3: 190-205.