برآورد ميانگين وزني قطر خاكدانه‌ها با استفاده از مدل‌هاي رگرسيوني و شبكه‏ عصبي مصنوعي

اندازه گيري مستقيم برخي ويژگي هاي فيزيكي ديريافت خاك مثل پايداري خاكدانه وقت گير، هزينه بر و گاهي اوقات به دليل خطاهاي آزمايشي و غيريكنواختي خاك غيرواقعي است. پايداري خاكدانه ها به عنوان يك ويژگي ديريافت مي‌توانند از ويژگي هاي زوديافت خاك مانند بافت، جرم ويژه ظاهري، كربن آلي و كربنات كلسيم معادل با استفاده از توابع انتقالي رگرسيوني و شبكه عصبي مصنوعي برآورد شوند. هدف از اين پژوهش ارائه مدل هايي براي برآورد ميانگين وزني قطر (MWD) خاكدانه از روي ويژگي هاي زوديافت با استفاده از مدل هاي رگرسيوني و شبكه عصبي مصنوعي و همچنين ارزيابي كارآيي اين مدل ها در برآورد با استفاده از معيارهاي آماري مانندضريب تبيين (R2) و جذر ميانگين مربعات خطا (RMSE) بود. براي اين منظور،100 نمونه خاك از مناطق مختلف دشت اردبيل برداشت وتجزيه هاي فيزيكي و شيميايي انجام شد. داده ها به دو سري داده هاي آموزشي (80 درصد داده‌ها) و داده هاي آزمون (20 درصد داده‌ها) تقسيم شدند. نتايج نشان داد كه هر دو روش مي توانند ميانگين وزني قطر خاكدانه را با دقت قابل قبولي برآورد كنند با اين وجود شبكه عصبي مصنوعي از دقت بيش تر و خطاي كمتري (R2  و  RMSEبه ترتيب 88/0 و 042/0) در برآورد ميانگين وزني قطر خاكدانه نسبت به مدل هاي رگرسيوني (R2  و RMSE به ترتيب 81/0 و 054/0) برخوردار بودند.