ارزيابي عملكرد شبكه عصبي مصنوعي با تلفيق الگوريتم ژنتيك و منطق فازي در برآورد سرعت نفوذ آب به خاك در خاك‌هاي حاشيه رودخانه قزل‌اوزن استان زنجان

Evaluating of performance artificial neural network with genetic algirithm and fuzzy logic in infiltration rate estimation of Ghezel Ozan river soils in Zanjan

نفوذپذيري يكي از پارامترهاي مهم فيزيكي و هيدروليكي خاك است و تعيين مدلي كارآمد در برآورد ميزان نفوذپذيري مهم است. در اين پژوهش سرعت نفوذ آب به خاك از سه روش هوشمند شبكه‌هاي عصبي مصنوعي، سيستم تطبيقي عصبي فازي و شبكه عصبي ژنتيك برآورد شد. سناريوهاي اطلاعاتي ورودي در قالب هشت سناريو شامل برخي خصوصيات فيزيكي و شيميايي حاصل از 60 محل نمونه‌برداري در خاك‌هاي حاشيه رودخانه قزل‌اوزن استان زنجان بود. ارزيابي‌ها براساس آماره‌هاي مجذور ميانگين مربعات خطا (RMSE)، ميانگين خطاي سوگيري (MBE)، ضريب همبستگي و كارايي مدل انجام شد. نتايج نشان داد براساس آماره‌هاي RMSE و MBE، الگوريتم ژنتيك به ميزان 2/82 و 24/88 درصد نسبت به سيستم تطبيقي عصبي فازي و 1/48 و 43/71 درصد نسبت به شبكه عصبي مصنوعي دقت را بهبود بخشيد. به همين ترتيب، كارايي مدل ساختار مناسب عصبي ژنتيك، 996/0، سيستم تطبيقي عصبي فازي 863/0 و عصبي مصنوعي 984/0 به دست آمد كه نشان دهنده كارايي بالاتر شبكه عصبي ژنتيك است. نتايج حاصل از مقايسه آزمون t هر يك از سناريوهاي سه مدل در سطح يك و پنج درصد، نشان از عدم تفاوت معني‌دار بين سناريوهاي هشت‌گانه شبكه‌هاي هوشمند است. به طور كلي، براساس نتايج اين پژوهش مي‌توان از سناريوي هشتم فقط با سه نرون اطلاعاتي زوديافت مربوط به درصد ذرات خاك كه عملكرد خوبي هم دارد، استفاده كرد.

Prediction of the rate of water infiltration into the soil and its influencing factors is the most important issues in the management of soil resources. In this study, the infiltration rate of the soil was estimated using 3 methods of artificial neural networks (ANN), adaptive neuro fuzzy inference system (ANFIS) and genetic algorithm neural networks (GA-NN). The input data to all three methods in 8 information structurs including physical and chemical characteristic of soils from 60 sampling points in Ghezel Ozan river of Zanjan province. Evaluation results based on the statistics model of root mean square error (RMSE), correlation coefficient (r) and mean absolute error (MAE) and the coefficient of performance. Statistics RMSE, MAE, and r in the best GA-NN architecture, respectively, 0.27, 0.15 and 0.99. This algorithm improved results 82.2% and 85.2 % compared to ANFIS formation and 48.1 % and 21.1% compared to ANN with 1-4-9 structure. Similarly, the coefficient of performance of the GA-NN structure, 0.996, ANFIS 0.863 and ANN 0.984, respectively, which reflects the performance of GA-NN. The comparison of results of t- test from each of the three methods is in the 0.05 and 0.01, indicating no significant difference between the 8 structures. So, in 8 structure with three neurons including the percentage of soil particles.