در این مطالعه آزمایش­های مزرعه­ای در شرایط متفاوت عمق شخم، سرعت پیشروی و میزان وزنه­های متصل به تراکتور انجام شد. در این تحقیق، عمق شخم در چهار سطح 5، 10، 15 و 20 سانتی­متر، سرعت­های پیشروی در چهار سطح 5/2، 5/3، 5/4 و 5/5 کیلومتر بر ساعت و میزان سنگین­کننده نیز در چهار سطح 0، 40، 80 و 120 کیلوگرم قرار گرفت. شبکه­های عصبی مدل­سازی شده در این تحقیق که به­ منظور پیش­بینی بازده کششی تراکتور مورد استفاده قرار گرفتند از نوع شبکه­های چند لایه پس­انتشار برگشتی بودند. نتایج این تحقیق نشان داد که شبکه عصبی توسعه داده شده با الگوریتم  LMنسبت به الگوریتم ­SCG عملکرد بهتری دارد. مقدار خطای RMSE و ضریب تبیین  R²به دست آمده در این مطالعه برای بازده کششی به ترتیب عبارت است از 010828/0 و 99163/0. نتیجه مدل­سازی نشان داد که داده­های پیش­بینی شده توسط شبکه عصبی مصنوعی خیلی نزدیک به داده­های واقعی به دست­آمده از آزمایش‌های مزرعه­ای می­باشد. بنابراین می­توان مدل به دست­ آمده را در مواقعی که امکان اندازه­گیری وجود نداشته باشد، به‌خدمت گرفت.