برآورد ضریب انتشار پذیری آلاینده در خاک های ماسه ای همگن با استفاده از شبکه عصبی مصنوعی

ضریب انتشار پذیری خاک یک خاصیت قابل اندازه گیری محیط متخلخل و یکی از پارامتر های مهم معادله جابجایی- انتشار بوده که این معادله، مدل پایه برای بیان حرکت املاح در داخل خاک می-باشد. از آنجایی که در روش های معمول، اندازه گیری ضریب انتشار پذیری خاک نیاز به وقت و هزینه زیادی دارد و از طرفی وجود عبارات غیرخطی در روابط ضریب انتشار پذیری خاک، مدل سازی آنها را با مشکل همراه کرده است، بنابراین امروزه شبکه های غیرخطی نظیر شبکه های عصبی مصنوعی به عنوان یکی از سیستم های هوشمند در پیش بینی یک چنین پدیده های پیچیده مورد استفاده قرار می گیرد. بعلاوه، از آنجایکه ضریب انتشارپذیری خاک به فاصله ی انتقال نیز وابسته می باشد، در این تحقیق قابلیت شبکه ی عصبی مصنوعی در برون یابی و درون یابی مقادیر ضریب انتشارپذیری مربوط به فواصل انتقال مختلف، بررسی شد. سپس نتایج مدل شبکه ی عصبی با نتایج حاصل از روش رگرسیون چند متغیره خطی (mlr) مقایسه گردید. بدین منظور از داده های آزمایشگاهی که توسط چاوشی نژاد ، (1389) از یک مدل فیزیکی به طول 1550 میلی متر، عرض 100 میلی متر و ارتفاع 600 میلی متر جمع آوری شده بود، استفاده گردید. داده های جمع آوری شده مربوط به خاک ماسه ای در پنج اندازه ی بسیار درشت، درشت، متوسط، ریز و بسیار ریز بود. آنها همچنین در آزمایشات خود از کلرید سدیم با غلظت 9 گرم بر لیتر و با پنج سرعت متفاوت به عنوان آلاینده پایدار استفاده نمودند. نمونه برداری در پنج فاصله ی 25، 50، 75، 100 و 125 سانتیمتر انجام شد که بیان کننده ی طول نمونه خاک بوده است. از میان مقادیر اندازه گیری شده، از فاصله انتقال (l) - قطر متوسط ذرات (d50) - وزن مخصوص ظاهری (?b) – تخلخل (n) - هدایت هیدرولیکی (k) - سرعت متوسط آلودگی (vc) به عنوان پارامتر های ورودی و از ضریب انتشار پذیری خاک(?) به عنوان پارامتر خروجی مدل ها استفاده گردید. همچنین معیار های آماری مانند متوسط مجذور مربعات خطا rmse))، متوسط قدر مطلق خطا mae)) و ضریب تبیین (r2) برای بررسی توانایی مدل ها در برآورد مذکور مورد استفاده قرار گرفت. نتایج حاصل نشان می دهد که شبکه عصبی مصنوعی با داشتن یک لایه ی پنهان و در حالی که تعداد نرون بر روی لایه ی پنهان با تعداد نرون بر روی لایه ی ورودی برابر بود، با تابع محرک سکانت هیپربولیک (sech) و 10000 تکرار توانست با 985/0=r2 و rmse و mae به ترتیب برابر با 0004/0 و 0003/0 در مرحله ی صحت یابی که بیان کننده خطای کم مدل می باشد، ضریب انتشار پذیری خاک را با قابلیت بالا پیش بینی نماید. همچنین شبکه ی عصبی توانست با داشتن r2 بالا و خطای بسیار کم، مقادیر ضریب انتشارپذیری مربوط به فواصل 50، 75 و 100 سانتی متر را درون یابی و مقادیر مربوط به فواصل 25 و 125 را برون یابی نماید. مقایسه ی بین نتایج مدل شبکه عصبی مصنوعی و نتایج مدل رگرسیون خطی نیز که 888/0=r2 و rmse و mae به ترتیب برابر با 0006/0 و 0004/0 را در مرحله ی صحت یابی نشان داد، بیان کننده ی دقت بالاتر و خطای کمتر مدل شبکه عصبی در مقایسه با مدل رگرسیون خطی می باشد. همچنین درصد اهمیت پارامترهای ورودی موثر بر ضریب انتشارپذیری نیز توسط شبکه عصبی که با نرم افزار qnet 2000 به اجرا درآمد، بررسی شد.