تعیین ویژگی‌های مؤثر بر پایداری ساختمان خاک‌های مناطق خشک با استفاده از الگوریتم ترکیبی ژنتیک-شبکه عصبی مصنوعی

پایداری خاکدانه­ها به‌عنوان یکی از کلیدی­ترین شاخص­های کیفیت فیزیکی خاک، بیان‌گر قدرت نسبی خاک در برابر نیروهای فرساینده و تخریب مکانیکی است. در این پژوهش، به‌منظور شناسایی یک زیرمجموعه از مهم‌ترین ویژگی‌های مؤثر بر شاخص میانگین وزنی قطر خاکدانه‌ها (MWD)، از الگوریتم ترکیبی ژنتیک-شبکه عصبی مصنوعی (GA-ANN) استفاده گردید. افزون بر آن، قابلیت شبکه­های عصبی مصنوعی (ANNs) و رگرسیون چند متغیره خطی (MLR) برای کمی‌سازی رابطه بین شاخص MWD و ویژگی‌های خاک مؤثر بر آن، ارزیابی شد. پس از فرآیند مدل‌سازی، اهمیت هر یک از ویژگی‌های انتخاب شده در ارتباط با تغییرات مکانی پایداری خاکدانه‌ها بررسی گردید. به‌منظور دست­یابی به یک مجموعه داده مناسب، شاخص MWD و تعدادی از ویژگی‌های خاک در نمونه‌های خاک‌ جمع‌آوری شده از 90 نقطه مشاهداتی اندازه‌گیری شدند. نتایج حاصل از انتخاب ویژگی نشان داد که شش ویژگی‌ خاک شامل رس، شن، ماده آلی، کربنات کلسیم معادل، قابلیت هدایت الکتریکی و نسبت جذب سدیم، بیش‌ترین تأثیر را بر روی شاخص MWD خاک‌های مورد مطالعه داشتند. با توجه به نتایج به‌دست آمده از برآورد شاخص MWD، مقادیر محاسبه­شده ضریب تبیین (R2)، میانگین درصد خطای مطلق (MAEP) و مجذور میانگین مربعات خطا (RMSE) برای عملکرد شبکه عصبی مصنوعی، به‌ترتیب برابر با 94/0، 39/21 و 075/0 درصد بودند. این نتایج بیان‌گر آن بود که مدل ANN توسعه داده شده به­خوبی توانسته است روابط پیچیده و غیرخطی بین شاخصMWD  و ویژگی‌های خاک انتخاب­شده توسط الگوریتم GA-ANN را پیش‌بینی و کمی‌سازی کند. بر اساس نتایج به‌دست آمده از تحلیل حساسیت، کربنات کلسیم معادل، ذرات شن و ماده آلی به‌عنوان فاکتورهای کلیدی برای تخمین پایداری خاکدانه‌ها معرفی شدند. به‌طور کلی، این پژوهش یک چارچوب قوی برای تخمین پایداری خاکدانه‌ها و شناسایی مهم‌ترین ویژگی‌های مؤثر بر آن در خاک‌های مناطق خشک و نیمه‌خشک فراهم می‌کند که می‌تواند برای سایر مناطق با چالش‌های مشابه، مورد استفاده قرار گیرد.