استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی

آزمون گاما ابزاری مناسب برای تعیین ترکیب بهینه ورودی ها و تعداد داده های مناسب برای رسیدن به کم ترین میانگین مربعات خطا در هر گونه مدل سازی غیرخطی پیوسته می باشد. در این پژوهش از فن آوری آزمون گاما برای انتخاب ورودی های بهینه از میان 12 پارامتر ورودی (شامل ویژگی های خاک، توپوگرافی و پوشش گیاهی) موثر در برآورد مقاومت برشی خاک استفاده شد. سپس با استفاده از دو گروه داده های ورودی مختلف، دو مدل شبکه عصبی مصنوعی برای برآورد مقاومت برشی خاک طراحی شد (مدل های 1 و 2). در مدل 1 از هر 12 پارامتر اندازه گیری شده به عنوان ورودی و در مدل 2 از 5 پارامتر بهینه به دست آمده از مطالعات آزمون گاما برای مدل سازی استفاده شد. براساس نتایج آزمون گاما، پارامتر شن ریز دارای کم ترین مقدار گاما و میانگین وزنی قطر خاک دانه ها (MWD) دارای بیش ترین مقدار گاما و نسبت v بودند. هم چنین شاخص پوشش گیاهی (NDVI)، درصد شن، شن خیلی ریز و جهت شیب، 4 پارامتر دیگری بودند که دارای کم ترین مقدار گاما نسبت به سایر پارامترهای اندازه گیری شده بودند. مقدار گاما برای این پارامترها به ترتیب 2177/0، 2280/0، 2313/0 و 2318/0 بود. بنابراین براساس نتایج آزمون گاما 5 پارامتر شن خیلی ریز، شن ریز، درصد شن، NDVI و جهت شیب به عنوان ورودی های بهینه برای مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی انتخاب شدند. مدل شبکه عصبی طراحی شده با استفاده از 5 پارامتر ورودی بهینه به دست آمده از مطالعات آزمون گاما (مدل 2)، دارای دقتی معادل با مدل شبکه عصبی طراحی شده با استفاده از 12 پارامتر ورودی (مدل 1) بود. مقادیر ضریب هم بستگی (r) و ریشه میانگین مربعات خطا (RMSE) برای مدل 2 به ترتیب 885/0 و 045/0 بود در حالی که مقدار این شاخص ها برای مدل 1 به ترتیب برابر 891/0 و 058/0 بود. بنابراین به نظر می رسد که بتوان از آزمون گاما برای انتخاب ورودی های بهینه موثرتر بر برآورد مقاومت برشی خاک برای کاهش حجم محاسبه ها و صرفه جویی در وقت و هزینه ها استفاده نمود.