تحليل عدم قطعيت مدل سيستم استنتاج فازي در پيش بيني ضريب هدايت هيدروليكي خاك اشباع

Uncertainty Analysis of Fuzzy Inference System to Predict Saturated Soil Hydraulic Conductivity

تعيين و پيش بيني ميزان هدايت هيدروليكي خاك در شرايط اشباع اهميت ويژه اي در مسايل و طراحي هاي مرتبط با فيزيك خاك دارد. در اين ميان برآورد و تخمين آن با استفاده از داده هاي موجود آسان توسعه زيادي پيدا كرده كه از آن جمله استفاده از سيستم هاي خبره پيش از پيش كاربرد داشته است. شايد مدل ROSETTA قديمي ترين مدل مذكور باشد در اين ميان سيستم استنتاج فازي نيز بدليل پيچيدگي ها و صرف هزينه و وقت كمتر كاربرد زيادي پيدا كرده است اما وضعيت قطعيت نتايج آن مسيله اي چالشي مي باشد كه تاكنون كمتر بدان پرداخته شده است. در اين تحقيق تعداد 151 نمونه از خاكهاي زراعي شهرستان بجنورد در خراسان شمالي انتخاب و متغيرهاي موثر جرم مخصوص ظاهري و واقعي خاك با كمك رگرسيون مرحله اي جهت برآورد هدايت هيدروليكي اشباع به كار گرفته شد. نتايج تحليل عدم قطعيت مونت كارلو بر مبناي 1000 نمونه گيري بدون جايگذاري، بر اساس سه معيار ارزيابي نيز نشان داد كه عليرغم محدوديت در تعداد داده هاي موجود، مدل سيستم استنتاج فازي از پهناي باند اطمينان مطلوبي برخوردار است. در نتيجه الگو هاي عمومي و كلي تغييرات هدايت هيدروليكي به خوبي پيش بيني شده و به طور خاص نيز تابع عضويت Gaussmf، داراي قطعيت بيشتري در برآورد هدايت هيدروليكي اشباع خاك مي باشد.

Estimation of saturated hydraulic conductivity (Ks) is important as an essential parameter in soil physics. Up to now, a variety of different models have been developed for estimation of Ks which include artificial intelligence (AI) models recently developed for this purpose. Although ROSETTA as an old computer program could simulate soil hydraulic parameter, Fuzzy Inference System (FIS) might be useful to estimate this parameter since it is less time-consuming with lower complexity and cost. A new challenging issue which has received less attention is the uncertainty analysis of the results due to different dataset and different membership functions. In this study, dataset of 151 samples collected from arable land around Bojnourd City in north Khorasan province were analyzed based on stepwise regression and bulk and particle densities determined as the most important inputs to FIS. Monte Carlo simulations of 1000 different samples were achieved and results derived from training period with some available membership functions in Matlab. Totally, three performance criteria showed reliable estimates of hydraulic conductivity for low and high values and, specifically, the best result was obtained from Gaussian membership function.