مدل‌سازی فرسایش پاشمانی تولید شده درشبیه ساز باران با استفاده از سه روش شبکه عصبی مصنوعی، نوروفازی و ماشین‌بردار پشتیبان

فرسایش پاشمانی باران به عنوان اولین رویداد در فرسایش خاک، حرکت ذرات و کلوخه های خاک را سبب می شود و یک فرآیند مهم در فرسایش محسوب می شود .با توجه به پیچیدگی این فرآیند در طبیعت یکی از راه های شناخت و مدل سازی این فرآیند استفاده از شبیه ساز باران و مطالعه آن در آزمایشگاه می باشد. بدین منظور در این تحقیق اقدام به شبیه سازی مقدار مواد حمل شده در شدت های مختلف بارش و به ازای مقادیر مختلف پلی اکریل امید گردید. پس از اندازه گیری مقدار مواد حمل شده در دوام های و مقادیر مختلف پلی اکریلامید، با استفاده از روش های شبکه عصبی مصنوعی، anfis و svmمدل سازی مواد حمل شده صورت گرفت. نتایج نشان داد در بین سه روش مورد استفاده بهترین مقادیر معیارهای ارزیابی مربوط به روش svm و سپس anfis می باشد. در بین سه دوام مورد بررسی نیز بهترین نتایج مربوط به آزمایش با داوم 30 دقیقه بوده است. نتایج این تحقیق نشان داد در روش anfis با توجه به داده های در دسترس با افزایش تعداد توابع عضویت بیش برازشی اتفاق می افتد. جهت کاهش پیچیدگی مدل و احتمال وقوع بیش برازشی برخی از قوانین حذف گردید. نتایج نشان داده با حذف برخی قوانین عملکرد مدل بهبود یافت.

The Modeling of Splash Erosion Produced in Rain-Simulator Uusing Three Methods of Artificial Neural Network, Neuro-fuzzy, and Support Vector Machine

Splash rain erosion, as the first event in soil erosion, causes the movement of soil particles and lumps, and it is considered as an important process in erosion. Given the complexity of this process in nature, one way of identifying and modeling the process is to use a rain simulator and to study it in the laboratory. For this purpose, in the present study the simulation of the amount of material transported in the various intensities of rainfall and for different amounts of polyacrylamide was done. After measuring the amount of material transported in different durations and amounts of polyacrylamide, using artificial neural networks, ANFIS and SVM, the modeling of transported materials was done. The results showed that among the three methods used, the best values of evaluation criteria are related to SVM and ANFIS respectively. Among the three studied durations, also the best results are related to the experiment with duration of 30 minutes. The results showed that, based on available data, by increasing the number of membership functions, extrafitting happens in the ANFIS method. To reduce the complexity of the model and the likelihood of extrafitting, some of the rules was eliminated. The results showed that the performance of the model was improved by eliminating some rules.