استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی

آزمون گاما ابزاری مناسب برای تعیین ترکیب بهینه ورودی ها و تعداد داده های مناسب برایرسیدن به کم ترین میانگین مربعات خطا در هر گونه مدل سازی غیرخطی پیوسته می باشد. در اینپژوهش از فن آوری آزمون گاما برای انتخاب ورودی های بهینه از میان 12 پارامتر ورودی (شاملویژگی های خاک، توپوگرافی و پوشش گیاهی) موثر در برآورد مقاومت برشی خاک استفاده شد. سپسبا استفاده از دو گروه داده های ورودی مختلف، دو مدل شبکه عصبی مصنوعی برای برآورد مقاومتبرشی خاک طراحی شد (مدل های 1 و 2). در مدل 1 از هر 12 پارامتر اندازه گیری شده به عنوانورودی و در مدل 2 از 5 پارامتر بهینه به دست آمده از مطالعات آزمون گاما برای مدل سازی استفادهشد. براساس نتایج آزمون گاما، پارامتر شن ریز دارای کم ترین مقدار گاما و میانگین وزنی قطربودند. هم چنین شاخص پوشش گیاهی v دارای بیش ترین مقدار گاما و نسبت (mwd) خاک دانه هادرصد شن، شن خیلی ریز و جهت شیب، 4 پارامتر دیگری بودند که دارای کم ترین مقدار ،(ndvi)،0/ گاما نسبت به سایر پارامترهای اندازه گیری شده بودند. مقدار گاما برای این پارامترها به ترتیب 21770 بود. بنابراین براساس نتایج آزمون گاما 5 پارامتر شن خیلی ریز، شن ریز، / 0/2313 و 2318 ،0/2280و جهت شیب به عنوان ورودی های بهینه برای مدل سازی مقاومت برشی خاک با ndvi ، درصد شناستفاده از شبکه های عصبی مصنوعی انتخاب شدند. مدل شبکه عصبی طراحی شده با استفاده از 5پارامتر ورودی بهینه به دست آمده از مطالعات آزمون گاما (مدل 2)، دارای دقتی معادل با مدل شبکهو ریشه (r) عصبی طراحی شده با استفاده از 12 پارامتر ورودی (مدل 1) بود. مقادیر ضریب هم بستگی0 بود در حالی که مقدار این / 0 و 045 / برای مدل 2 به ترتیب 885 (rmse) میانگین مربعات خطا0 بود. بنابراین به نظر می رسد که بتوان از آزمون / 0 و 058 / شاخص ها برای مدل 1 به ترتیب برابر 891گاما برای انتخاب ورودی های بهینه موثرتر بر برآورد مقاومت برشی خاک برای کاهش حجم محاسبه ها وصرفه جویی در وقت و هزینه ها استفاده نمود.