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)
چکیده
اندازهگیری مستقیم ویژگی های هیدرولیکی خاک وقتگیر و پر هزینه است اما می توان این ویژگی هارا با بهرهگیری از داده های زودیاف مثل بافت خاک، جرم مخصوص ظاهری و با استفاده از روش هایی چون توابع انتقالی و سیستم استنتاج فازی- عصبی نیز به دست آورد. در این تحقیق برای برآورد هدایت هیدرولیکی اشباع خاک، ازمدلشبکۀ عصبی مصنوعی و سیستماستنتاجفازی-عصبیاستفاده شد. ورودیهای مدل، شامل درصد رس، سیلت و شن بود. معماری شبکۀ عصبی 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 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. برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (سانتی متر بر روز)، درصد خطای نسبی، میانگین خطای مطلق (سانتی متر بر روز)، ضریب جرم باقیمانده، راندمان مدل و ضریب تبیین استفاده شد که برای مدل فازی- عصبی 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– 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 می دهد که سیستم استنتاج فازی- عصبی نسبت به شبکۀ عصبی مصنوعی دقیقتر است و نسبت به دادههای اندازهگیری شده نتایجی نزدیکتر ارائه می دهد.