برآورد پارامتریک مدل‏های منحنی نگهداشت رطوبتی ون‏گنوختن و فردلند و زینگ با استفاده از تکنیک‏های محاسباتی نرم در برخی از خاک‏های استان خوزستان

تکنیک های محاسباتی نرم در سه دهه اخیر به طور وسیعی در تحقیقات علمی و مسائل مهندسی مطالعه و به کار برده شده اند. هدف از این پژوهش، بررسی توانایی شبکه عصبی پرسپترون چند لایه (mlp) و عصبی فازی (nf) در برآورد پارامتریک منحنی نگهداشت رطوبتی خاک (swrc) با استفاده از داده های کشت و صنعت های استان خوزستان بود. آنالیز حساسیت نیز جهت انتخاب ترکیب بهینه ورودی ها به کار برده شد. در تحقیق حاضر معادله های ون گنوختن و فردلند و زینگ جهت برآورد پارامتریک swrc استفاده شد. ویژگی های اندازه گیری شده شامل توزیع اندازه ذرات خاک، ماده آلی، چگالی ظاهری، کربنات کلسیم معادل، نسبت جذب سدیم، هدایت الکتریکی عصاره اشباع، اسیدیته خاک، میانگین وزنی قطر خاکدانه ها، حدود خمیری و روانی، مقاومت نفوذی، درصد رطوبت اشباع و محتوی رطوبتی در مکش های 33،100، 500 و 1500 کیلوپاسکال بودند. نتایج این پژوهش بر پایه شاخص های ارزیابی عملکرد نشان داد که هر دو مدل mlp و nf برآوردهای مناسبی از swrc ارائه دادند در حالی که شبکه عصبی برآوردهای بهتری از مدل عصبی فازی فراهم کرد. به عنوان مثال مقادیر آماره nmse در برآورد sθ، rθ، α، n و m در معادله فردلند و زینگ با استفاده از مدل های mlp و nf به ترتیب 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 پارامترهای α و n در عمق اول و rθ و α در عمق دوم در معادله فردلند و زینگ با دقت بیشتری نسبت به معادله ون گنوختن برآورد شدند.

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

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