A Case Study for Evaluation of GUTD on Soil Compaction and Tractor Performance
Notice bibliographique
Résumé
<p>Machinery traffic on farm and forest caused to problems in environment and economics by Fossil fuel consumption and soil compaction. According to result of investigation, The GUTD (Gear Up and Throttle Down) method was recommended to decrease fuel consumption. But the wide range of machinery applications, soil conditions and experience of drivers or operators need to have index for ensuring the GUTD method is carried out properly. The purpose of this study was evaluation of GUTD method using MF 399 tractor on instantaneous fuel consumption and soil compaction. The tractor was equipped by sensors, a designed electronic circuit and a computer to measure and record parameters such as fuel consumption, forward speed and wheel slip. This field examination was carried out on tilled land with clay-loam soil and then data were analyzed in a randomized complete block design with three replications. Considered factors were included four speed levels (1.6, 3.2, 6.4, 12.8 km h<sup>-1</sup>), three levels of gear (first, second and third) and two levels of wheel drive (2WD and 4WD). Parameters of cone index and bulk density were used to determine soil compaction.Variations in compaction of before and after tractor passage were calculated in each plot. Statistical analysis in each speed showed that factor of gear in variations of soil compaction was significant at all speeds except 12.8 km h<sup>-1</sup> and instantaneous fuel consumption was reduced by GUTD at each of constant speed except the mentioned speed. This research showed that instantaneous fuel consumption can be considered as appropriate index for selecting the best gear and speed in terms of fuel consumption and soil compaction.<strong></strong></p>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».