چكيده فارسي :
يكي از پارامترهاي مهم در طراحي، مديريت و اجراي سامانه هاي آبياري قطره اي سطحي و زيرسطحي تخمين سرعت پيشروي جبهه رطوبتي در خاك است. از جمله پارامترهاي تاثيرگذار در اين پارامتر نوع خاك (بافت و ساختمان )، دبي قطره چكان و رطوبت اوليه خاك است. در اين رابطه آزمايش ها در يك مدل پلكسي گلاس شفاف با ابعاد m 5/0× m22/1 ×m 3 و بر روي سه نوع بافت (متوسط، سنگين و سبك) به انجام رسيد. قطره چكان ها در چهار عمق صفر (سطحي)، 15 (H1)، 30 (H2) و 45 (H3) سانتي متر مورد ارزيابي قرار گرفت. در اين پژوهش، تيمارهاي دبي قطره چكان ها با مقادير 4/2 (Q1)، 4 (Q2) و 6 (Q3) ليتر در ساعت اعمال شد. با در نظر گرفتن متغيرهاي دبي قطره چكان، عمق نصب قطره چكان، زمان، هدايت هيدروليكي اشباع، چگالي ظاهري خاك، رطوبت اوليه خاك و همچنين نسبت درصد شن، سيلت و رس روابطي براي تخمين سرعت پيشروي جبهه رطوبتي با استفاده از شبكه عصبي مصنوعي ارائه شد. نتايج مقايسه بين مقادير شبيه سازي و اندازه گيري شده نشان دادند كه مدل شبكه عصبي با دقت بالايي سرعت پيشروي جبهه رطوبتي در خاك را در جهات مختلف برآورد مي كند. مقادير شاخص هاي ميانگين ريشه دوم خطا (RMSE) و ميانگين خطاي مطلق (MAE) به ترتيب براي سرعت افقي از 09/0 تا 35/0 و 06/0 تا 27/0 سانتي متر بر دقيقه، براي سرعت عمودي به پايين از 02/0 تا 17/0 و 02/0 تا 07/0 سانتي متر بر دقيقه و براي سرعت عمودي به بالا از 08/0 تا 25/0و 05/0 تا 12/0 سانتي متر بر دقيقه نوسان مي كند. استفاده از اين مدل ها در طراحي و اجرا مي تواند باعث بهبود عملكرد اين سامانه در آبياري قطره اي سطحي و زيرسطحي شود.
چكيده لاتين :
One of the most important parameters in designing, managing, and operating surface and subsurface drip irrigation systems is the advance velocity of the wetting (moisture) front in soil, which enormously affects the performance of these systems. Emitter discharge, soil type (soil texture and structure) and initial moisture content are the main factors affecting advance velocity under drip irrigation. Experiments were carried out in a transparent plexiglass tank (0.5 m*1.22 m*3 m) using three different soil textures (light, heavy, and medium). The drippers were installed at 4 different soil depths (surface, 15 cm, 30 cm, and 45 cm). The emitter outflows were considered 2.4, 4, and 6 L/hr. A simulation model was developed using artificial neural network (ANN) for predicting advance velocity of the wetting front (horizontal, downward, and upward direction) under point sources in surface and subsurface drip irrigation. The variables affecting wetting pattern included emitter discharge, emitter installation depth, application time, saturated hydraulic conductivity, soil bulk density, initial soil moisture content, and the proportions of sand, silt and clay in the soil. The results of the comparisons between the simulated and measured values showed that the ANN model was capable of predicting the advance velocity of the wetting front in different directions with high accuracy. The values of Root Mean Square Error (RMSE) varied from 0.09 to 0.35, from 0.02 to 0.17, and from 0.08 to 0.25 cm/min for horizontal, downward and upward velocity, respectively. Also, the values of Mean Absolute Error (MAE) varied from 0.06 to 0.27, from 0.02 to 0.07, and from 0.05 to 0.12 cm/min for horizontal, downward, and upward velocity, respectively. Using these models in designing and operating surface and subsurface drip irrigation systems could improve system performance.
