برآورد هدايت هيدروليكي اشباع خاك‌هاي منتخب از دشت اردبيل با استفاده از مدل‌هاي رگرسيوني و شبكه‌هاي عصبي مصنوعي

هدايت هيدروليكي اشباع به عنوان يك ويژگي ديريافت مي تواند از ويژ گي هاي زوديافت خاك شامل جرم ويژه ظاهري، بافت خاك، كربن آلي، كربنات كلسيم معادل با استفاده از توابع انتقالي رگرسيوني و شبكه هاي عصبي مصنوعي برآورد شود. هدايت هيدروليكي اشباع خاك به روش بار افتان در 100 نمونه خاك جمع آوري شده از دشت اردبيل تعيين شد. بعد از انجام تجزيه هاي شيميايي و فيزيكي روي نمونه هاي خاك، داده ها به دو سري داده هاي آموزشي (80 نمونه) و داده هاي اعتبارسنجي (20 نمونه) تقسيم شدند. مدل هاي رگرسيوني توسط نرم افزار SPSS و به روش گام به گام و مدل هاي شبكه عصبي توسط نرم افزارNeurosolution  شكل گرفتند. براي انجام تجزيه هاي آماري از ضريب تبيين (R^2)، جذر ميانگين مربعات خطا (RMSE) و ضريب آكائيك (AIC) استفاده شد. بهترين مدل رگرسيوني داراي متغيرهاي شن، سيلت و جرم مخصوص ظاهري بود و بهترين مدل شبكه عصبي از متغيرهاي ورودي ميانگين هندسي قطر ذرات خاك، انحراف معيار هندسي قطر ذرات خاك و جرم مخصوص ظاهري به دست آمد. مقادير R^2، (cm min^1)RMSE در فاز آموزش و اعتبارسنجي براي بهترين مدل رگرسيوني به ترتيب برابر (0.53، 0.074 و 0.51، 0.052) و براي بهترين مدل شبكه عصبي به ترتيب برابر (0.84، 0.04 و 0.73، 0.06) بود. در اين پژوهش به صورت جداگانه از تمامي پارامترهاي مستقل شامل جرم مخصوص ظاهري، جرم مخصوص حقيقي، درصد آهك، ميانگين هندسي قطر و انحراف معيار هندسي قطر ذرات خاك به عنوان ورودي در تكنيك شبكه عصبي استفاده شد. مقادير R^2 و (cm min^-1) RMSE در مرحله آموزش و آزمون به ترتيب برابر (0.87، 0.036 و 0.58، 0.076) بود. نتايج تحقيق در اين مورد نشان داد شبكه هاي عصبي با داده هاي ورودي يكسان هدايت هيدروليكي اشباع خاك را با دقت بيشتري (0.84=R^2) نسبت به مدل هاي رگرسيوني (0.53=R^2) برآورد مي كنند. همچنين مشاهده شد زماني كه تعداد داده هاي ورودي در روش شبكه عصبي افزايش مي يابد دقت برآورد در داده هاي آموزشي بيشتر مي شود.