برآورد سرعت نفوذ نهايي آب در خاك و پارامترهاي معادلات نفوذ به روش شبكه عصبي مصنوعي و ماشين بردار پشتيبان

نفوذ آب به خاك يكي از مهمترين فرآيندهاي هيدرولوژيك است. هدف از اين تحقيق، بررسي امكان تخمين پارامتر‌هاي مدل‌هاي فيليپ و هورتون و سرعت نفوذ نهايي آب در خاك با استفاده از شبكه عصبي مصنوعي و ماشين بردار پشتيبان (SVM) بود. به‌اين منظور نفوذپذيري خاك در 100 نقطه فضاي سبز شهرستان ابركوه (استان يزد) به روش استوانه‌ي مضاعف تعيين گرديد. در نزديكي نقاط اندازه‌گيري نفوذ آب به خاك، در عمق 300 سانتي‌متري سطح خاك نمونه‌برداري و ويژگي‌هاي خاك از جمله چگالي ظاهري، فراواني نسبي ذرات، ماده آلي، نسبت جذب سديم، تخلخل، ميانگين هندسي قطر ذرات و انحراف معيار هندسي اندازه‌گيري شد. شبكه‌هاي عصبي پرسپترون چند لايه (MLP) با 4 طراحي با 3، 5، 7 و 9 ورودي و ماشين بردار پشتيبان با 9 ورودي براي برآورد سرعت نهايي نفوذ و پارامترهاي مدل‌هاي نفوذ به‌كار گرفته شد. نتايج نشان داد كه در برآورد پارامترهاي مدل‌هاي فيليپ و هورتون، شبكه‌هاي طراحي شده با 9 پارامتر ورودي بيش‌ترين ضريب تبيين، كم‌ترين خطا و بيش‌ترين كارايي را نسبت به ساير شبكه‌هاي طراحي شده داشتند. همچنين مقايسه قدرت شبيه‌سازي شبكه عصبي براي پارامترهاي دو مدل هورتون و فيليپ نشان داد كه بيش‌ترين كارايي در شبيهسازي پارامترهاي نفوذ مربوط به پارامتر سرعت نهايي در مدل هورتون با ضريب تبيين 0.84 و معماري 159 بوده است. نتايج آناليز حساسيت نشان داد كه حساسيت بهترين مدل MLP و SVM در شبيه‌سازي سرعت نفوذ نهايي به دو پارامتر نسبت جذب سديم و ماده آلي بيشتر از 7 فاكتور ديگر بوده است. همچنين مدل SVM با دقت بسيار زياد توانايي تخمين و پيش بيني مقادير نفوذپذيري نهايي خاك‌ها ر ا بر اساس پارامترهاي زود يافت خاك دارد و كارائي اين شبكه بيش‌تر از شبكه MLP در تخمين سرعت نفوذ نهايي آب به خاك بود.