فهرست نشریات علمی دسترسی آزاد ایران

اندازه­گیری مستقیم ویژگی‌های هیدرولیکی خاک وقت­گیر و پر هزینه است اما می‌توان این ویژگی‌هارا با بهره­گیری از داده­ های زودیاف مثل بافت خاک، جرم مخصوص ظاهری و با استفاده از روش‌هایی چون توابع انتقالی و سیستم استنتاج فازی- عصبی نیز به دست آورد. در این تحقیق برای برآورد هدایت هیدرولیکی اشباع خاک، ازمدلشبکۀ عصبی مصنوعی و سیستم­استنتاجفازی-عصبیاستفاده شد. ورودی­های مدل، شامل درصد رس، سیلت و شن بود. معماری شبکۀ عصبی دارای 3 نرون در لایۀ ورودی، 11 نرون در لایۀ پنهان با تابع انتقال تانژانت سیگموئید و یک نرون در لایۀ خروجی با تابع انتقال خطی با 1000 تکرار بود و در تمام شبکه­ از سرعت یادگیری و مومنتم مساوی با 3/0 استفاده شد. سیستم استنتاج فازی- عصبی دارای 27 قانون است و برای تابع عضویت متغیرهای ورودی از تابع گوسین استفاده شد. همچنین، برای بهینه سازی سیستم استنتاج فازی- عصبی از روش هیبرید استفاده شد. برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (سانتی‌متر بر روز)، درصد خطای نسبی، میانگین خطای مطلق (سانتی‌متر بر روز)، ضریب جرم باقیمانده، راندمان مدل و ضریب تبیین استفاده شد که برای مدل فازی- عصبی به ترتیب 032/0، 627/0، 18/0، 0000023/0-، 999/0 و 997/0 به دست آمد. برای شبکۀ عصبی مصنوعی نیز با الگوریتم آموزشی لونبرگ– مارکوت در تخمین هدایت هیدرولیکی اشباع خاک این مقادیر به ترتیب 22/1، 44/1، 21/1، 00015/0-، 997/0 و 99/0 به دست آمد. نتایج تحقیق نشان می‌دهد که سیستم استنتاج فازی- عصبی نسبت به شبکۀ عصبی مصنوعی دقیق­تر است و نسبت به داده­های اندازه­گیری شده نتایجی نزدیکتر ارائه می‌دهد.