فهرست نشریات علمی دسترسی آزاد ایران

هدایت هیدرولیکی اشباع به­عنوان یک ویژگی دیریافت می­تواند از ویژ­گی­های زودیافت خاک شامل جرم ویژه ظاهری، بافت خاک، کربن آلی، کربنات کلسیم معادل با استفاده از توابع انتقالی رگرسیونی و شبکه­های عصبی مصنوعی برآورد شود. هدایت هیدرولیکی اشباع خاک به روش بار افتان در 100 نمونه خاک جمع­آوری شده از دشت اردبیل تعیین شد. بعد از انجام تجزیه­های شیمیایی و فیزیکی روی نمونه­های خاک، داده­ها به دو سری داده­های آموزشی (80 نمونه) و داده­های اعتبارسنجی (20 نمونه) تقسیم شدند. مدل­های رگرسیونی توسط نرم­افزار SPSS و به روش گام­به­گام و مدل­های شبکه عصبی توسط نرم­افزارNeurosolution  شکل گرفتند. برای انجام تجزیه­های آماری از ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و ضریب آکائیک (AIC) استفاده شد. بهترین مدل رگرسیونی دارای متغیرهای شن، سیلت و جرم مخصوص ظاهری بود و بهترین مدل شبکه عصبی از متغیرهای ورودی میانگین هندسی قطر ذرات خاک، انحراف معیار هندسی قطر ذرات خاک و جرم مخصوص ظاهری به­دست آمد. مقادیر R2، (cm min-1)RMSE در فاز آموزش و اعتبارسنجی برای بهترین مدل­ رگرسیونی به­ترتیب برابر (53/0، 074/0 و 51/0، 052/0) و برای بهترین مدل شبکه عصبی به­ترتیب برابر (84/0، 04/0 و 73/0، 06/0) بود. در این پژوهش به­صورت جداگانه از تمامی پارامترهای مستقل شامل جرم مخصوص ظاهری، جرم مخصوص حقیقی، درصد آهک، میانگین هندسی قطر و انحراف معیار هندسی قطر ذرات خاک به­عنوان ورودی در تکنیک شبکه عصبی استفاده شد. مقادیر R2 و (cm min-1) RMSE در مرحله آموزش و آزمون به­ترتیب برابر (87/0، 036/0 و 58/0، 076/0) بود. نتایج تحقیق در این مورد نشان داد شبکه­­های عصبی با داده­های ورودی یکسان هدایت هیدرولیکی اشباع خاک را با دقت بیشتری (84/0=R2) نسبت به مدل­های رگرسیونی (53/0=R2) برآورد می­کنند. همچنین مشاهده شد زمانی که تعداد داده­های ورودی در روش شبکه عصبی افزایش می­یابد دقت برآورد در داده­های آموزشی بیشتر می­شود.