مدل‌سازي فرسايش پاشماني توليد شده در باران‌ساز با استفاده از سه روش شبكه عصبي مصنوعي ، نوروفازي و ماشين‌بردار پشتيبان

The Modeling of Splash Erosion Produced in Rain-Simulator Uusing Three Methods of Artificial Neural Network, Neuro-fuzzy, and Support Vector Machine

فرسايش پاشماني باران به عنوان اولين رويداد در فرسايش خاك، حركت ذرات و كلوخه هاي خاك را سبب مي‌شود و يك فرآيند مهم در فرسايش محسوب مي‌شود .با توجه به پيچيدگي اين فرآيند در طبيعت يكي از راه هاي شناخت و مدل سازي اين فرآيند استفاده از شبيه ساز باران و مطالعه آن در آزمايشگاه مي‌باشد. بدين منظور در اين تحقيق اقدام به شبيه سازي مقدار مواد حمل شده در شدت هاي مختلف بارش و به ازاي مقادير مختلف پلي اكريل‌اميد گرديد. پس از اندازه‌گيري مقدار مواد حمل شده در دوام‌هاي و مقادير مختلف پلي اكريلاميد، با استفاده از روش هاي شبكه عصبي مصنوعي، ANFIS و SVMمدل سازي مواد حمل شده صورت گرفت. نتايج نشان داد در بين سه روش مورد استفاده بهترين مقادير معيارهاي ارزيابي مربوط به روش SVM و سپس ANFIS مي‌باشد. در بين سه دوام مورد بررسي نيز بهترين نتايج مربوط به آزمايش با داوم 30 دقيقه بوده است. نتايج اين تحقيق نشان داد در روش ANFIS با توجه به داده‌هاي در دسترس با افزايش تعداد توابع عضويت بيش برازشي اتفاق مي افتد. جهت كاهش پيچيدگي مدل و احتمال وقوع بيش برازشي برخي از قوانين حذف گرديد. نتايج نشان داده با حذف برخي قوانين عملكرد مدل بهبود يافت.

Splash rain erosion, as the first event in soil erosion, causes the movement of soil particles and lumps, and it is considered as an important process in erosion. Given the complexity of this process in nature, one way of identifying and modeling the process is to use a rain simulator and to study it in the laboratory. For this purpose, in the present study the simulation of the amount of material transported in the various intensities of rainfall and for different amounts of poly-acryl-amide was done. After measuring the amount of material transported in different durations and amounts of poly-acryl-amide, using artificial neural networks, ANFIS and SVM, the modeling of transported materials was done. The results showed that among the three methods used, the best values of evaluation criteria are related to SVM and ANFIS respectively. Among the three studied durations, also the best results are related to the experiment with duration of 30 minutes. The results showed that, based on available data, by increasing the number of membership functions, extra-fitting happens in the ANFIS method. To reduce the complexity of the model and the likelihood of extra-fitting, some of the rules was eliminated. The results showed that the performance of the model was improved by eliminating some rules.