ارزیابی روش شبکه های عصبی مصنوعی برای شبیه سازی پیشروی جبهه رطوبتی خاکهای لومی از یک منبع نقطهای

شکل (قطر و عمق خاک خیس خورده) و روند پیشروی جبهه رطوبتی در خاک در محل تخلیه قطرهچکانها تابعی از ویژگی های فیزیکی خاک، دبی و مدت زمان کاربرد آب میباشد. با توجه به تعدد فاکتورهای موثر بر شکل و روند پیشروی جبهه رطوبتی تحت آبیاری قطرهای و قابلیت شبکه های عصبی مصنوعی به نظر میرسد با جمعآوری اطلاعات برای محدوده نسبتا وسیعی از تغییرات پارامترهای موثر بتوان شکل و روند پیشروی جبهه رطوبتی در خاک را پیشبینی کرد. در این تحقیق، در سال 1383 از خاکهای اراضی زراعی حاشیه رودخانه زایندهرود اصفهان و برای ترکیبهای مختلف متغیرها (شامل بافت لوم و دبی های کاربردی 2، 4، 8 و 12 لیتر در ساعت با حجم آب آبیاری 48 لیتر) ابتدا شکل و روند پیشروی جبهه رطوبتی با استفاده از یک مدل فیزیکی اندازهگیری شد. سپس با استفاده از نرم افزار Matlab Ver 7 یک شبکه عصبی مصنوعی با نام ANN-L برای پیشبینی شکل و روند پیشروی جبهه رطوبتی در خاک در محل تخلیه قطرهچکانها طراحی گردید. نتایج حاصل از مقایسه مدل فیزیکی با شبکه عصبی ANN-L نشان داد که در این خاک برای هر چهار دبی کاربردی، شبکه عصبیANN-L به خوبی قادر به پیشبینی روند پیشروی جبهه رطوبتی میباشد. در شبکه طراحی شده، مقدار ریشه میانگین مربعات خطا (RMSE) برابر 2878/0 محاسبه شد. همچنین ضریب تبیین شبکه995/0= به دست آمد. کوچک بودن RMSE و بزرگ بودن شبکه نشان میدهد که میزان هماهنگی بین روند تغییرات جبهه رطوبتی مشاهده شده از آزمایشها و پیشبینی شده توسط شبکه عصبی بسیار خوب بوده است. آنالیز حساسیت روی پارامترهای ورودی به شبکه عصبیANN-L نشان داد که حذف پارامترهای حجم آب آبیاری و زمان آبیاری باعث ضعیف شدن عملکرد شبکه میشود. البته تاثیر حذف پارامتر حجم آب آبیاری در عملکرد شبکه زیادتر از تاثیر حذف پارامتر زمان آبیاری میباشد. حذف خصوصیات فیزیکی خاک تاثیر اندکی در عملکرد شبکه دارد (p<0.05). با توجه به نتایج به دست آمده، میزان خطای شبکه عصبی ANN-L در برآورد روند پیشروی جبهه رطوبتی حدود یک درصد میباشد که در کارهای عملی آبیاری ناچیز است. لذا استفاده از شبکه عصبی ANN-L برای پیشبینی روند پیشروی جبهه رطوبتی تحت آبیاری قطرهای به دلیل همبستگی کاملا منطقی و معقول میان مقادیر پیشبینی شبکه و مشاهده شده از آزمایشها در شرایط مشابه توصیه میشود.