كاربرد بعد فراكتال اندازه ذرات خاك در برآورد هدايت هيدروليكي اشباع

Using Fractal Dimension of Particle Size in Estimating Saturated Hydraulic Conductivity

يكي از جنبه هاي مهم بررسي خاك، دانستن روابط و همبستگي بين خصوصيات مختلف خاك و بيان كمّي آنها در قالب مدل هاي آماري است. هدف از اين پژوهش برآورد هدايت هيدروليكي اشباع توسط رگرسيون و شبكه استنتاج تطبيقي عصبي- فازي، با استفاده از پارامترهاي زوديافت خاك مي باشد. لذا آزمايشات مربوط به محاسبه هدايت هيدروليكي اشباع و محاسبه خصوصيات فيزيكي خاك در 54 نقطه در زمين، كه با فواصل 5 در 5 متر مشخص شده بودند، صورت گرفت. همچنين مقادير چگالي ظاهري با روش كلوخه پارافيني، بعد فراكتال اندازه ذرات توسط روش الك خيس، درصد شن، رس و سيلت توسط هيدرومتري و هدايت هيدروليكي اشباع بالاي سطح ايستابي توسط روش استوانه هاي مضاعف اندازه گيري شد. بهترين مدل رگرسيوني براي تابع انتقالي، بر اساس حداقل سازي تابع هدفي كه براساس پارامترهاي آماري R2، RMSE و MAE بنا نهاده شده بود انتخاب گرديد. پارامترهاي درصد شن، چگالي ظاهري، چگالي حقيقي، بعد فراكتال اندازه ذرات، تخلخل و درصد سيلت به عنوان ورودي انتخاب شدند. در تابع انتقالي ارايه شده مقادير R2، RMSE، NRMSE و MAE به ترتيب برابر 65/0، 017/0، 96/0 و 012/0 مي باشند. شبكه استنتاج تطبيقي عصبي- فازي با 4 لايه در ورودي شامل چگالي ظاهري، چگالي حقيقي، تخلخل و بعد فراكتال اندازه ذرات و يك لايه خروجي داراي بهترين عملكرد بود. در مدل عصبي- فازي ارايه شده در اين تحقيق مقدار R2 در آموزش و آزمون به ترتيب برابر 88/0 و 86/0 بوده و مقادير RMSE نيز به ترتيب برابر 012/0 و 02/0 مي باشد. با توجه به نتايج آناليز حساسيت، تابع انتقالي رگرسيوني كمترين حساسيت را نسبت به تغييرات در تخلخل و بعد فراكتال اندازه ذرات دارد؛ در مقابل بيشترين حساسيت را نسبت به تغييرات در مقادير چگالي ظاهري، درصد سيلت و درصد شن دارد. مدل استنتاج تطبيقي عصبي- فازي همانند تابع انتقالي رگرسيوني، نسبت به تغييرات در چگالي ظاهري بيشتر از ساير متغيرها حساس مي-باشد، ضمن اينكه نتايج بيانگر برتري سامانه عصبي- فازي نسبت به تابع رگرسيوني است. ارزيابي مدل ها نشان داد كه در خاك هاي رسي برآوردها دقت قابل قبولي ندارد؛ در مقابل براي تخمين هدايت هيدروليكي اشباع در خاك هايي با بافت سبك تا متوسط (لومي شني، لوم و سيلت لوم) مناسب مي باشند.

One of the important aspects of soil is, knowing the relationships between spatial features of soil and quantity in statistical model. The goal of this research is to estimate saturated hydraulic conductivity by regression and Co-Active Neuro-Fuzzy Inference System (ANFIS) with using the parameters of Bulk density, real density, porosity, Fractal dimension of particle size, and clay percent, silt percent, sand percent. So experiment related to saturated hydraulic conductivity calculation and soil physical properties calculation of soil in 54 points which were specified 5 by 5 meters. Also, amount of bulk density based on paraffin Hunk, Fractal dimension of particle size by wet sieve method, the percentage of sand, clay and silt by Hydrometry and saturated hydraulic conductivity above water table by double rings method was measured. The best regression model for Pedo transfer function (PTF) was chosen according to minimized the goal function based on statistical parameters R2, RMSE and MAE. Parameters sand and silt percent, bulk density, real density, Fractal dimension of particle size, and porosity were chosen as input. In PTF amount of R2, RMSE, NRMSE and MAE, are 0.65, 0.017, 0.96 and 0.012 respectively. ANFIS with four layers input includes bulk density, real density, porosity and Fractal dimension of particle size and an output layer with the best performance. In this research, the amount of R2 in the presented ANFIS model in training and test is 0.88 and 0.86 respectively, and RMSE values will be 0.012 and 0.02 respectively. Noticing to sensitivity analysis result, PTF has the least sensitivity than changes in porosity and Fractal dimension of particle size, on the other hand, it has the most sensitivity than changes in the values of bulk density, silt and sand percent. ANFIS model is like PTF is more sensitivity than changes in values of bulk density. In addition, the outcome shows more effect on ANFIS than PTF. Evaluation of models show that estimation in clay soil is not acceptable, in contract contrast its model for estimate saturated hydraulic conductivity in soil texture (lom sandy, lom and silt lom) is suitable.