برآورد پارامتريك مدل‏هاي منحني نگهداشت رطوبتي ون‏گنوختن و فردلند و زينگ با استفاده از تكنيك‏هاي محاسباتي نرم در برخي از خاك‏هاي استان خوزستان

Parametric Estimation of the Van Genuchten and Fredlund and Xing’s Moisture Retention Curve Models Using Soft Computing Techniques in Some Khozestan Soils

تكنيك هاي محاسباتي نرم در سه دهه اخير به طور وسيعي در تحقيقات علمي و مسائل مهندسي مطالعه و به كار برده شده اند. هدف از اين پژوهش، بررسي توانايي شبكه عصبي پرسپترون چند لايه (MLP) و عصبي فازي (NF) در برآورد پارامتريك منحني نگهداشت رطوبتي خاك (SWRC) با استفاده از داده هاي كشت و صنعت هاي استان خوزستان بود. آناليز حساسيت نيز جهت انتخاب تركيب بهينه ورودي ها به كار برده شد. در تحقيق حاضر معادله هاي ون گنوختن و فردلند و زينگ جهت برآورد پارامتريك SWRC استفاده شد. ويژگي هاي اندازه گيري شده شامل توزيع اندازه ذرات خاك، ماده آلي، چگالي ظاهري، كربنات كلسيم معادل، نسبت جذب سديم، هدايت الكتريكي عصاره اشباع، اسيديته خاك، ميانگين وزني قطر خاكدانه ها، حدود خميري و رواني، مقاومت نفوذي، درصد رطوبت اشباع و محتوي رطوبتي در مكش هاي 33،100، 500 و 1500 كيلوپاسكال بودند. نتايج اين پژوهش بر پايه شاخص هاي ارزيابي عملكرد نشان داد كه هر دو مدل MLP و NF برآوردهاي مناسبي از SWRC ارائه دادند در حالي كه شبكه عصبي برآوردهاي بهتري از مدل عصبي فازي فراهم كرد. به عنوان مثال مقادير آماره NMSE در برآورد S theta ، r theta ، alpha ، n و m در معادله فردلند و زينگ با استفاده از مدل هاي MLP و NF به ترتيب برابر (059/0، 061/0)، (154/0، 162/0)، (109/0، 117/0)، (125/0، 135/0) و (129/0، 145/0) بودند. به علاوه پارامترهاي alpha و n در عمق اول و r theta و alpha در عمق دوم در معادله فردلند و زينگ با دقت بيشتري نسبت به معادله ون گنوختن برآورد شدند.

Soft computing techniques have been extensively studied and applied in the last three decades for scientific research and engineering computing. The purpose of this study was to investigate the abilities of multilayer perceptron neural network (MLP) and neurofuzzy (NF) techniques to estimate the soilwater retention curve (SWRC) from Khozestan sugarcane AgroIndustries data. Sensitivity analysis was used for determining the model inputs and appropriate data subset. Also, in this paper, the van Genuchten and Fredlund and xing models were used to predict SWRC. Measured soil variables included particle size distribution, organic matter, bulk density, calcium carbonate, sodium adsorption ratio, electrical conductivity, acidity, mean weight diameter, plastic and liquid limit, resistance of soil penetration, water saturation percentage and water content for matric potentials 33, 100, 500 and 1500 kPa. The results of this study in terms of various statistical indices indicated that both MLP and NF provide good predictions but the neural network provides better predictions than neurofuzzy model. For exle, using MLP and NF models values of NMSE at prediction theta s, theta r, alpha , n and m in Fredlund and Xing equation corresponded to (0.059, 0.065), (0.154, 0.162), (0.109, 0.117), (0.129, 0.135) and (0.129, 0.145), respectively. Furthermore, alpha and n parameters at the first depth, and theta r and alpha parameters at the second depth in Fredlund and Xing equation were estimated with higher accuracy compared with equivalent parameters in van Genuchten equation