تخمين پايداري خاكدانه با استفاده از مدل شبكه عصبي مصنوعي

Estimation of aggregate stability using artificial neural network model

پايداري خاكدانه يكي از مهمترين ويژگي هاي فيزيكي خاك است كه اندازه­گيري مستقيم آن دشوار و زمان بر مي باشد. هدف از اين پژوهش تخمين پايداري خاكدانه با استفاده از داده­هاي زود يافت و مدل شبكه عصبي مصنوعي مي باشد. بدين منظور، در 100 نقطه در منطقه قروه استان كردستان بافت خاك، كربن آلي، هدايت الكتريكي،pH ، كربنات كلسيم، SAR و پايداري خاكدانه اندازه گيري شدند. پس از انجام تست آناليز حساسيت پارامترهاي كربن آلي، كربنات كلسيم و SAR به عنوان ورودي­هاي مدل انتخاب شدند. داده­ها به دو سري آموزشي (70 درصد داده­ها) و آزمون (30 درصد داده ها) تقسيم شدند. نتايج ارزيابي مدل بر اساس شاخص­هاي ريشه ميانگين مربعات خطا و ضريب تبيين نشان داد كه الگوريتم­هاي آموزشي Momentum داراي بالاترين دقت در تخمين پايداري خاكدانه در مقايسه با الگوريتم­هاي Quick prop، Levenberg Marguan، Conjugat Gradient و Delta Bar Delta مي­باشد و شبكه عصبي مي­تواند در تخمين پايداري خاكدانه به كار برده شود و نتايج مطلوبي بدست آورده شود