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

نویسندگان

  • ایرج کوچمی ساردو دانشجوی دکتری، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولی عصر رفسنجان
  • حسین شیرانی استاد گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولی عصر رفسنجان، رفسنجان، ایران
  • علی اصغر بسالت پور استادیار، گروه علوم و مهندسی خاک، دانشکده کشاورزی، دانشگاه ولی عصر رفسنجان، رفسنجان، ایران
چکیده مقاله:

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.

برای دانلود باید عضویت طلایی داشته باشید

برای دانلود متن کامل این مقاله و بیش از 32 میلیون مقاله دیگر ابتدا ثبت نام کنید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

مدل سازی خشک کردن اسمزی زردآلو با استفاده از الگوریتم ژنتیک - شبکه عصبی مصنوعی

ایران از نظر تولید زردآلو در جهان مقام دوم را دارد و مطالعه عوامل موثر بر خشک کردن این میوه و مقدار تاثیر آنها امری ضروری می باشد. لذا در این مطالعه تاثیر دمای محلول اسمزی در محدوده °C 25 تا °C 65، در مدت زمان 30 تا 120 دقیقه و غلظت محلول اسمزی در محدودۀ 30 تا 60 درصد (وزنی/وزنی) بر پارامترهای کاهش وزن، کاهش آب، جذب مواد جامد و نسبت دفع آب به جذب مواد جامد در طی خشک کردن اسمزی زردآلو مورد بررسی...

متن کامل

مدل‌سازی فرایند تبدیل خشک متان به‌کمک پلاسما با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک

 پیش‌بینی فراورده‌های (هیدروژن و کربن مونوکسید) تبدیل خشک متان به‌کمک پلاسما در فشار جوی با استفاده از شبکه عصبی مصنوعی شبیه‌سازی شد. داده‌های تجربی موردنیاز برای مدل‌سازی شبکه عصبی مصنوعی از یک واکنشگاه پلاسمایی تخلیه کرونا جمع‌آوری شد. اثر عامل‌های فرایندی (توان تخلیه پلاسما، دبی خوراک ورودی) بر کارایی تبدیل متان و گزینش‌پذیری نسبت به فراورده‌های مورد بررسی قرار گرفتند. شبکه پیش‌خور با الگوری...

متن کامل

مدل سازی خشک کردن اسمزی زردآلو با استفاده از الگوریتم ژنتیک - شبکه عصبی مصنوعی

ایران از نظر تولید زردآلو در جهان مقام دوم را دارد و مطالعه عوامل موثر بر خشک کردن این میوه و مقدار تاثیر آنها امری ضروری می باشد. لذا در این مطالعه تاثیر دمای محلول اسمزی در محدوده °c 25 تا °c 65، در مدت زمان 30 تا 120 دقیقه و غلظت محلول اسمزی در محدودۀ 30 تا 60 درصد (وزنی/وزنی) بر پارامترهای کاهش وزن، کاهش آب، جذب مواد جامد و نسبت دفع آب به جذب مواد جامد در طی خشک کردن اسمزی زردآلو مورد بررسی...

متن کامل

پیش بینی مصرف انرژی بخش کشاورزی ایران با استفاده از مدل ترکیبی الگوریتم ژنتیک و شبکه های عصبی مصنوعی

هدف از این مقاله ارزیابی الگوی ترکیبی شبکه­های عصبی مصنوعی و الگوریتم ژنتیک در پیش بینی تقاضای انرژی بخش کشاورزی ایران می­باشد. برای این منظور، از داده­های سالانه مصرف انرژی بخش کشاورزی کشور به عنوان متغیر خروجی مدل­های پیش­بینی و از داده­های سالانه جمعیت کل کشور و کل تولیدات بخش کشاورزی کشور به عنوان متغیرهای ورودی مدل­های پیش­بینی استفاده شد. در پایان به منظور مقایسه نتایج پیش­بینی مدل ترکیبی...

متن کامل

شناسایی دستکاری قیمت سهام از طریق مدل ترکیبی الگوریتم ژنتیک – شبکه عصبی مصنوعی و مدل SQDF

هدف این پژوهش، شناسایی دستکاری قیمت سهام در بورس اوراق بهادار تهران می­باشد که از طریق مدل ترکیبی الگوریتم ژنتیک-شبکه عصبی مصنوعی (ANN-GA)[1] و مدل تابع تفکیکی درجه دوی تعدیل شده (SQDF)[2] انجام گرفته است. در این پژوهش از متغیرهای قیمت، حجم معاملات و سهام شناور آزاد برای تطبیق نتایج مدل و داده­های واقعی از دستکاری قیمت استفاده شده است. در مدل ترکیبی ابتدا داده­های مربوط به 316 شرکت از نخستین رو...

متن کامل

پیش‌بینی خشکسالی با استفاده از الگوریتم ژنتیک و مدل ترکیبی شبکه عصبی- موجکی

خشکسالی به‌عنوان یکی از مهم‌ترین بلایای طبیعی است که ممکن است در هر رژیم آب و هوایی اتفاق بیفتد. از آنجا که وقوع خشکسالی اجتناب ناپذیر است، بنابراین شناخت آن به‌منظور مدیریت بهینه منابع آب، از اهمیت بسزایی برخوردار است. از مؤثرترین عوامل در تدوین طرحهای مقابله با خشکسالی و مدیریت آن، طراحی سیستم‌های پیش‌بینی خشکسالی است که بتوان اثرات مخرب ناشی از آن را به حداقل رساند. به این منظور در این تحقیق...

متن کامل

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


عنوان ژورنال

دوره 8  شماره 3

صفحات  129- 143

تاریخ انتشار 2020-11-21

با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023