فهرست نشریات علمی دسترسی آزاد ایران

در دهه‌های اخیر اندازه‌گیری غیرمستقیم ظرفیت تبادل کاتیونی (CEC) با استفاده از توابع انتقالی مختلف موفقیت‌آمیز بوده است. شبکه عصبی مصنوعی (ANN) نسبت به روش‌های رگرسیون آماری دارای نتایج مناسب‌تری بوده ولی با داده‌های اندک کارایی بالایی نداشته و از سوی دیگر فاقد یک روش استقرایی جامع در انتخاب الگوریتم یادگیری شبکه و توقف در حداقل محلی است. در این راستا استفاده از الگوریتم‌های بهینه‌سازی ضروری به‌نظر می‌رسد. هدف از این تحقیق، ارزیابی کارایی الگوریتم‌های کرم شب‌تاب (FA) و ژنتیک (GA) در تخمین CEC با استفاده از ANN است. برای نیل به اهداف فوق 220 نمونه از منطقه گلفرج به‌صورت تصادفی برداشته شد. سپس مدل‌سازی با سه مدل ANN، شبکه عصبی مصنوعی-ژنتیک (ANN-GA) و شبکه عصبی مصنوعی-کرم شب‌تاب (ANN-FA) انجام شد. در این تحقیق شبکه‌های عصبی با ساختار پرسپترون چندلایه، با الگوریتم پس انتشار خطا، تابع آموزشی بایزین و تابع محرک سیگموئید آکسون با 5 نرون مناسب‌ترین ساختار بوده است. نتایج نشان داد که مدل ANN-FA دارای بیشترین کارایی بوده، به‌طوری‌که ضریب تبیین و میانگین انحراف مربعات خطا و ضریب نش- ساتکلیف به‌ترتیب در مرحله آموزش 94/0، 31/1 و 53/0 و در مرحله آزمون 97/0، 06/1 و 59/0 بوده و مدل ANN-GA در مقام دوم از نظر کارایی بوده است. میانگین هندسی نسبت خطا 84/0 برای مدل ANN-FA بوده که نشان دهنده بیش برآوردی نسبی آن است. نهایتاً مدل پیشنهادی برای تخمین ویژگی خروجی مناسب بوده و کاربرد الگوریتم بهینه‌سازی کرم شب‌تاب و ژنتیک، حاکی از کاربردی بودن این الگوریتم‌ها در فرآیندهایی با طبیعت پیچیده و غیرخطی است.