Obrana doktorskog rada :: mr. sc. Vlado Kušec

Primjena umjetnih neuronskih mreža u modeliranju parametara prskanja pri različitim kinetičkim uvjetima

3.9.2026. u 10:00 sati,  Velika vijećnica Agronomskog fakulteta Sveučilišta u Zagrebu

Mentor doktorskog rada:

• izv. prof.dr.sc. Igor Kovačev, Sveučilište u Zagrebu Agronomski fakultet

Povjerenstvo za obranu doktorskog rada:

• izv. prof. dr. sc. Nikola Bilandžija, Sveučilište u Zagrebu Agronomski fakultet
• prof. dr. sc. Aleksandar Mešić, Sveučilište u Zagrebu Agronomski fakultet
• prof. dr. sc. Tomislav Kos, Sveučilište u Zadru

Sažetak:
Kvaliteta rada strojeva, uz pretpostavku tehničke ispravnosti, ovisi o kinetičkim čimbenicima: brzini kretanja prskalice i kutu usmjeravanja kapljica škropiva. U radu su istraživana, prema standardnim metodama, pokrivenost ciljane površine, pokrivenost ne ciljane površine, spektar veličine kapljica s obzirom na brzinu kretanja prskalice i kuta usmjerenja mlaznica. Cilj rada bio je optimizirati parametre u svrhu postizanja maksimalne učinkovitosti suzbijanja štetnih organizama uz minimalne gubitke (zanošenje). Istraživanje je provedeno na ravnoj površini (praktikum Veleučilišta u Križevcima) korištenjem traktorske prskalice Agromehanika AGS 600EN s mlaznicama Lechler 110 04 ST. Istražen je utjecaj tri radne brzine (6 do 7,9 km/h, 8 do 9,9 km/h i 10 do 12 km/h) te tri kuta prskanja (–30°, 90° i +30°) na pokrivenost ciljane (CP) i neciljane površine (NCP) te na promjer kapljica (µm). Za prikupljanje podataka korišteni su vodoosjetljivi papirići (VOP-i), a analiza slike provedena je računalnim programom DepositScan. Dobiveni podaci obrađeni su statističkim metodama (ANOVA, Tukey HSD test) te modelirani pomoću umjetnih neuronskih mreža (UNM), točnije višeslojnog perceptrona, odnosno modela umjetne neuronske mreže određene konfiguracije. Preciznost MLP (Multilayer Perceptron)  uspoređena je s klasičnom linearnom regresijom. Rezultati su pokazali da kinetički uvjeti značajno utječu na kvalitetu aplikacije. Povećanjem brzine kretanja smanjuje se pokrivenost tretirane površine (PTP), ali se smanjuje i promjer kapljica. Niže brzine (6 do 7,9 km/h) osigurale su bolje zadržavanje sredstva na ciljnoj površini. Pozitivan kut mlaznica (+30°, usmjeren prema naprijed) ostvario je najveću pokrivenost ciljane površine i stvorio sitnije kapljice, što omogućuje bolju raspodjelu sredstva. Suprotno tome, negativni kut (–30°) rezultirao je manjom pokrivenošću i krupnijim kapljicama. Najveći rizik od zanošenja (pokrivenost NCP) zabilježen je pri većim brzinama i negativnom kutu (–30°), dok je kut od +30° pokazao najmanje gubitke na neciljanim površinama. Razvijeni model umjetnih neuronskih mreža (MLP 8-10-2) pokazao se znatno superiornijim u predviđanju parametara prskanja u odnosu na linearnu regresiju. UNM model postigao je koeficijent determinacije R² > 0,98 za pokrivenost površine, uz minimalnu pogrešku (RMSE = 1,85), dok je linearni model imao R² od svega 0,02 i znatno veću pogrešku (RMSE = 14,82). Ovo potvrđuje da je proces prskanja izrazito nelinearan i da UNM uspješno modelira složene interakcije između brzine, kuta i površine. Istraživanje je potvrdilo da se primjenom UNM-a može s visokom točnošću predvidjeti kvaliteta prskanja. Hipoteza 1 (da se najveća pokrivenost postiže pri 6–7,9 km/h i kutu +30°) je djelomično potvrđena; ta kombinacija daje najbolju pokrivenost, ali ne nužno i najuži raspon kapljica. Hipoteza 2 je u potpunosti potvrđena: pogreška procjene modela UNM značajno je manja od pogreške linearne regresije. Praktični doprinos rada ogleda se u smjernicama za podešavanje prskalica: korištenje kuta od +30° pri nižim brzinama preporučuje se za optimalnu učinkovitost i smanjenje onečišćenja okoliša. Model UNM predstavlja robustan alat za preciznu poljoprivredu koji omogućuje optimizaciju parametara prskanja u realnim uvjetima te nudi praktične smjernice poljoprivrednicima za racionalniju primjenu pesticida uz manji rizik za okoliš.

Ključne riječi: prskanje, pokrivenost tretirane površine, promjer kapljica, strojno učenje