ارزیابی و مقایسۀ سیستم استنتاج فازی- عصبی و شبکۀ عصبی مصنوعی پرسپترون چند لایه در برآورد هدایت هیدرولیکی اشباع خاک با استفاده از بافت خاک (مطالعۀ موردی: شبکۀ آبیاری دشت فتحعلی مغان)
ارزیابی و مقایسۀ سیستم استنتاج فازی- عصبی و شبکۀ عصبی مصنوعی پرسپترون چند لایه در برآورد هدایت هیدرولیکی اشباع خاک با استفاده از بافت خاک (مطالعۀ موردی: شبکۀ آبیاری دشت فتحعلی مغان)
عنوان فارسی :
ارزیابی و مقایسۀ سیستم استنتاج فازی- عصبی و شبکۀ عصبی مصنوعی پرسپترون چند لایه در برآورد هدایت هیدرولیکی اشباع خاک با استفاده از بافت خاک (مطالعۀ موردی: شبکۀ آبیاری دشت فتحعلی مغان)
عنوان انگلیسی :
Adaptive Neuro Fuzzy Inference System and Multilayer Perceptron Neural Networks to Estimate Saturated Hydraulic Conductivity by Soil Texture
A Case Study for Fath-Ali Irrigation Network in Moghan Plain
چکیده:
اندازهگیری مستقیم ویژگی‌های هیدرولیکی خاک وقتگیر و پر هزینه است اما می‌توان این ویژگی‌هارا با بهرهگیری از داده های زودیاف مثل بافت خاک، جرم مخصوص ظاهری و با استفاده از روش‌هایی چون توابع انتقالی و سیستم استنتاج فازی- عصبی نیز به دست آورد. در این تحقیق برای برآورد هدایت هیدرولیکی اشباع خاک، ازمدلشبکۀ عصبی مصنوعی و سیستماستنتاجفازی-عصبیاستفاده شد. ورودیهای مدل، شامل درصد رس، سیلت و شن بود. معماری شبکۀ عصبی دارای 3 نرون در لایۀ ورودی، 11 نرون در لایۀ پنهان با تابع انتقال تانژانت سیگموئید و یک نرون در لایۀ خروجی با تابع انتقال خطی با 1000 تکرار بود و در تمام شبکه از سرعت یادگیری و مومنتم مساوی با 3/0 استفاده شد. سیستم استنتاج فازی- عصبی دارای 27 قانون است و برای تابع عضویت متغیرهای ورودی از تابع گوسین استفاده شد. همچنین، برای بهینه سازی سیستم استنتاج فازی- عصبی از روش هیبرید استفاده شد. برای ارزیابی عملکرد مدل از پارامترهای مجذور میانگین مربعات خطا (سانتی‌متر بر روز)، درصد خطای نسبی، میانگین خطای مطلق (سانتی‌متر بر روز)، ضریب جرم باقیمانده، راندمان مدل و ضریب تبیین استفاده شد که برای مدل فازی- عصبی به ترتیب 032/0، 627/0، 18/0، 0000023/0-، 999/0 و 997/0 به دست آمد. برای شبکۀ عصبی مصنوعی نیز با الگوریتم آموزشی لونبرگ– مارکوت در تخمین هدایت هیدرولیکی اشباع خاک این مقادیر به ترتیب 22/1، 44/1، 21/1، 00015/0-، 997/0 و 99/0 به دست آمد. نتایج تحقیق نشان می‌دهد که سیستم استنتاج فازی- عصبی نسبت به شبکۀ عصبی مصنوعی دقیقتر است و نسبت به دادههای اندازهگیری شده نتایجی نزدیکتر ارائه می‌دهد.
چکیده انگلیسی:
Direct measurement of soil hydraulic conductivity is time-consuming and expensive. Direct measurement of soil hydraulic properties can be replaced by simple measurement of properties such as soil texture and bulk density using transfer functions and an adaptive neuro fuzzy inference system (ANFIS). The present study used ANFIS and neural network models to estimate saturated soil hydraulic conductivity. The model inputs included percentage of silt, clay, and sand. The architecture for this network contained 3 neurons in the input layer and 11 neurons in the hidden layer using the tangent sigmoid transfer function, and an output layer of neurons with a linear transfer function and 1000 iterations. In all networks, the learning rate and momentum was 0.3. The neuro fuzzy inference system had 27 rules, a Gaussian membership function was used for input data, and a hybrid method was used to optimize the ANFIS model. The root mean square error (mmd-1), percentage of relative error (ε), mean absolute error (cmd-1), coefficient of residual mass, efficiency, and coefficient of determination were used to evaluate the performance of the model. For the ANFIS model, these values were 0.032, 0.62%, 0.18, -0.0000023, 0.999, and 0.997, respectively. The values for the Levenberg-Marquardt training algorithm were 1.22, 1.44%, 1.21, -0.00015, 0.997, and 0.99, respectively. Performance evaluation of the models showed that the ANFIS model predicted soil hydraulic conductivity with greater accuracy than did the neural network and the results of this method were closer to actual measurement results.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
