ارزیابی و مقایسۀ سیستم استنتاج فازی- عصبی و شبکۀ عصبی مصنوعی پرسپترون چند لایه در برآورد هدایت هیدرولیکی اشباع خاک با استفاده از بافت خاک (مطالعۀ موردی: شبکۀ آبیاری دشت فتحعلی مغان)

Abstract

<strong>اندازه­گیری مستقیم ویژگی‌های هیدرولیکی خاک وقت­گیر و پر هزینه است اما می‌توان این ویژگی‌هارا با بهره­گیری از داده­ های زودیاف مثل بافت خاک، جرم مخصوص ظاهری و با استفاده از </strong><strong>روش‌هایی چون </strong><strong>توابع انتقالی و سیستم استنتاج فازی- عصبی نیز به دست آورد. در این تحقیق </strong><strong>برای برآورد هدایت هیدرولیکی اشباع خاک</strong><strong>، از</strong><strong>مدل</strong><strong>شبکۀ عصبی مصنوعی و سیستم­</strong><strong>استنتاج</strong><strong>فازی-</strong><strong>عصبی</strong><strong>استفاده شد. ورودی­های مدل، شامل درصد رس، سیلت و شن بود. </strong><strong>معماری شبکۀ </strong><strong>عصبی </strong><strong>دارای 3 نرون در لایۀ ورودی، 11 نرون در لایۀ پنهان با تابع انتقال تانژانت سیگموئید و یک نرون در لایۀ خروجی با تابع انتقال خطی با 1000 تکرار بود و </strong><strong>در تمام شبکه­ از سرعت یادگیری و مومنتم مساوی با 3/0 استفاده شد. سیستم استنتاج فازی- عصبی دارای 27 قانون است و برای تابع عضویت متغیرهای ورودی از تابع گوسین استفاده شد. همچنین، برای بهینه سازی سیستم استنتاج فازی- عصبی از روش هیبرید استفاده شد. </strong><strong>برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (سانتی‌متر بر روز)، درصد خطای نسبی، میانگین خطای مطلق (سانتی‌متر بر روز)، ضریب جرم باقیمانده، راندمان مدل و ضریب تبیین استفاده شد که برای مدل </strong><strong>فازی- عصبی</strong><strong> به ترتیب 032/0، 627/0، 18/0، 0000023/0-، 999/0 و 997/0 به دست آمد. برای شبکۀ عصبی مصنوعی نیز با الگوریتم آموزشی لونبرگ</strong><strong>–</strong><strong> مارکوت در تخمین هدایت هیدرولیکی اشباع خاک این مقادیر به ترتیب 22/1، 44/1، 21/1، 00015/0-، 997/0 و 99/0 به دست آمد. نتایج تحقیق نشان می‌دهد که سیستم استنتاج فازی- عصبی نسبت به شبکۀ عصبی مصنوعی دقیق­تر است و نسبت به داده­های اندازه­گیری شده نتایجی نزدیکتر ارائه می‌دهد. </strong>