تعیین ویژگی های موثر بر پایداری ساختمان خاک های مناطق خشک با استفاده از الگوریتم ترکیبی ژنتیک-شبکه عصبی مصنوعی

پایداری خاکدانه ها به عنوان یکی از کلیدی ترین شاخص های کیفیت فیزیکی خاک، بیان گر قدرت نسبی خاک در برابر نیروهای فرساینده و تخریب مکانیکی است. در این پژوهش، به منظور شناسایی یک زیرمجموعه از مهم ترین ویژگی های موثر بر شاخص میانگین وزنی قطر خاکدانه ها (MWD)، از الگوریتم ترکیبی ژنتیک-شبکه عصبی مصنوعی (GA-ANN) استفاده گردید. افزون بر آن، قابلیت شبکه های عصبی مصنوعی (ANNs) و رگرسیون چند متغیره خطی (MLR) برای کمی سازی رابطه بین شاخص MWD و ویژگی های خاک موثر بر آن، ارزیابی شد. پس از فرآیند مدل سازی، اهمیت هر یک از ویژگی های انتخاب شده در ارتباط با تغییرات مکانی پایداری خاکدانه ها بررسی گردید. به منظور دست یابی به یک مجموعه داده مناسب، شاخص MWD و تعدادی از ویژگی های خاک در نمونه های خاک جمع آوری شده از 90 نقطه مشاهداتی اندازه گیری 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، بیش ترین تاثیر را بر روی شاخص MWD خاک های مورد مطالعه داشتند. با توجه به نتایج به دست آمده از برآورد شاخص MWD، مقادیر محاسبه شده ضریب تبیین (R2)، میانگین درصد خطای مطلق (MAEP) و مجذور میانگین مربعات خطا (RMSE) برای عملکرد شبکه عصبی مصنوعی، به ترتیب برابر با 94/0، 39/21 و 075/0 درصد بودند. این نتایج بیان گر آن بود که مدل ANN توسعه داده شده به خوبی توانسته است روابط پیچیده و غیرخطی بین شاخصMWD  و ویژگی های خاک انتخاب شده توسط الگوریتم GA-ANN را پیش بینی و کمی سازی کند. بر اساس نتایج به دست آمده از تحلیل حساسیت، کربنات کلسیم معادل، ذرات شن و ماده آلی به عنوان فاکتورهای کلیدی برای تخمین پایداری خاکدانه ها معرفی شدند. به طور کلی، این پژوهش یک چارچوب قوی برای تخمین پایداری خاکدانه ها و شناسایی مهم ترین ویژگی های موثر بر آن در خاک های مناطق خشک و نیمه خشک فراهم می کند که می تواند برای سایر مناطق با چالش های مشابه، مورد استفاده قرار گیرد.