تحلیل عدم قطعیت خروجی شبکه عصبی در شبیه سازی هدایت هیدرولیکی اشباع خاک

هدایت هیدرولیکی اشباع خاک از مهم ترین ویژگی های فیزیکی خاک است که در مدیریت آبیاری مزارع، انتقال آلودگی و هم چنین جریان آب در محیط های غیراشباع نقش مهمی را دارا است. لیکن در بیش تر موارد به علت محدودیت های عملی و یا هزینه ای، اندازه گیری آن با دشواری همراه است. از این رو استفاده از مدل های شبیه سازی داده محور مانند شبکه عصبی مصنوعی با صرف هزینه کم و کارایی بالا می توانند جایگزین مناسبی برای این منظور باشد. از آنجا که انتخاب دوره های مختلف آموزش و آزمون به همراه توابع انتقال و آموزش متفاوت در این نوع مدل ها به عنوان مهم ترین منبع خطا می باشد، لذا عدم اطمینان و قطعیت لازم در مقادیر خروجی شبیه سازی شده مدل نیز از آن قابل نتیجه گیری می باشد. از این رو در این تحقیق بررسی منابع عدم قطعیت مذکور در شبیه سازی هدایت هیدرولیکی اشباع خاک مورد بررسی قرار گرفته است. در انجام این تحقیق، تعداد 151 نمونه از خاک های زراعی (اراضی اطراف شهرستان بجنورد) انتخاب و متغیرهای موثر چگالی ظاهری و واقعی خاک با کمک رگرسیون مرحله ای از بین دوازده متغیر مختلف اندازه گیری شده جهت برآورد هدایت هیدرولیکی اشباع به کار گرفته شد. نتایج تحلیل عدم قطعیت به دست آمده از 1000 سری داده مختلف نمونه گیری شده (با کمک نمونه گیر مونت کارلو) جهت استفاده در دوره های آموزش و آزمون شبکه عصبی پرسپترون با دو لایه بررسی و ارزیابی گردید. علاوه بر این، عملکرد ترکیب توابع انتقال و آموزش مختلف شبکه عصبی در تمام 1000 سری داده نیز به عنوان دومین منبع خطا ارزیابی شد. نسبت درصد قرارگیری مشاهدات در بازه اطمینان به پهنای بازه (معیار NUE) برای توابع انتقال لگاریتم سیگمویید (NUE=0.57) و خطی (NUE=0.59) نسبت به تابع تانژانت سیگمویید (NUE=0.25)، بالاتر و بهتر مشاهده گردید. هم چنین از بین توابع مختلف آموزش تنها تابع کاهش گرادیان دارای زمان اجرای بالاتر و مقدار معیار NUE پایین تر به نسبت بقیه بوده و بنابراین بیش ترین عدم قطعیت را در نتایج مقادیر هدایت هیدرولیکی خروجی شبیه سازی شده داشت.