استفاده از آزمون گاما براي انتخاب ورودي هاي بهينه در مدل سازي مقاومت برشي خاك با استفاده از شبكه هاي عصبي مصنوعي

Use of Gamma test technique for choosing the optimum input variables in modeling of soil shear strength using artificial neural networks

آزمون گاما ابزاري مناسب براي تعيين تركيب بهينه ورودي ها و تعداد داده هاي مناسب براي رسيدن به كم ترين ميانگين مربعات خطا در هر گونه مدل سازي غيرخطي پيوسته مي باشد. در اين پژوهش از فن آوري آزمون گاما براي انتخاب ورودي هاي بهينه از ميان 12 پارامتر ورودي (شامل ويژگي هاي خاك، توپوگرافي و پوشش گياهي) موثر در برآورد مقاومت برشي خاك استفاده شد. سپس با استفاده از دو گروه داده هاي ورودي مختلف، دو مدل شبكه عصبي مصنوعي براي برآورد مقاومت برشي خاك طراحي شد (مدل هاي 1 و 2). در مدل 1 از هر 12 پارامتر اندازه گيري شده به عنوان ورودي و در مدل 2 از 5 پارامتر بهينه به دست آمده از مطالعات آزمون گاما براي مدل سازي استفاده شد. براساس نتايج آزمون گاما، پارامتر شن ريز داراي كم ترين مقدار گاما و ميانگين وزني قطر بودند. هم چنين شاخص پوشش گياهي v داراي بيش ترين مقدار گاما و نسبت (MWD) خاك دانه ها درصد شن، شن خيلي ريز و جهت شيب، 4 پارامتر ديگري بودند كه داراي كم ترين مقدار ،(NDVI) ،0/ گاما نسبت به ساير پارامترهاي اندازه گيري شده بودند. مقدار گاما براي اين پارامترها به ترتيب 2177 0 بود. بنابراين براساس نتايج آزمون گاما 5 پارامتر شن خيلي ريز، شن ريز، / 0/2313 و 2318 ،0/2280 و جهت شيب به عنوان ورودي هاي بهينه براي مدل سازي مقاومت برشي خاك با NDVI ، درصد شن استفاده از شبكه هاي عصبي مصنوعي انتخاب شدند. مدل شبكه عصبي طراحي شده با استفاده از 5 پارامتر ورودي بهينه به دست آمده از مطالعات آزمون گاما (مدل 2)، داراي دقتي معادل با مدل شبكه و ريشه (r) عصبي طراحي شده با استفاده از 12 پارامتر ورودي (مدل 1) بود. مقادير ضريب هم بستگي 0 بود در حالي كه مقدار اين / 0 و 045 / براي مدل 2 به ترتيب 885 (RMSE) ميانگين مربعات خطا 0 بود. بنابراين به نظر مي رسد كه بتوان از آزمون / 0 و 058 / شاخص ها براي مدل 1 به ترتيب برابر 891 گاما براي انتخاب ورودي هاي بهينه موثرتر بر برآورد مقاومت برشي خاك براي كاهش حجم محاسبه ها و صرفه جويي در وقت و هزينه ها استفاده نمود.

Gamma test is an appropriate tool for determining the optimum input combination and suitable number of data to achieve minimum mean square error in any continuous nonlinear modeling approaches. In this study, at first Gamma test technique was used to determine the optimum input variables from measured input parameters (including soil properties, topographic and vegetation attributes) affecting soil shear strength (SSS) prediction. Two different artificial neural network (ANN) models were then constructed using different input data (Models 1 and 2) to predict SSS. In Model 1, all of the measured parameters (12 parameters) were used as input variables of the model and Model 2 was constructed using only the optimum 5 parameters resulted from the Gamma test trails. According to the Gamma test trail results, fine sand and mean weight diameter (MWD) parameters had the lowest and highest Gamma and v-ratio values among the other parameters, respectively. Furthermore, the vegetation index (NDVI), sand, very fine sand, and aspect parameters had a Gamma values of 0.2177, 0.2280, 0.2313, and 0.2318 in comparison with the other investigated parameters, respectively. Therefore, sand, fine sand, very fine sand, NDVI, and aspect parameters were selected as the optimum 5 input variables for modeling of SSS using ANNs. The proposed ANN model using the optimum 5 input variables, selected from the Gamma test trails (Model 2), had a similar accuracy with the proposed ANN model using all of the 12 input variables (Model 1). The correlation coefficient (r) and root mean square error (RMSE) values for Model 2 were 0.885 and 0.045, respectively, while these indices for Model 1 were 0.891 and 0.058, respectively. Therefore, it appears that the Gamma test technique can be used for choosing optimum input variables affecting SSS prediction to reduce experimental expenses and to save a great amount of time and effort in modeling approaches.