بخشی از مقاله
چکیده
پایداری خاکدانه یکی از مهمترین ویژگیهای فیزیکی خاک است که اندازهگیری مستقیم آن دشوار و زمانبر میباشد. هدف از این پژوهش تخمین پایداری خاکدانه با استفاده از دادههای زود یافت و مدل شبکه عصبی مصنوعی میباشد. بدین منظور، در 100 نقطه در منطقه قروه استان کردستان بافت خاک، کربن آلی، هدایت الکتریکی، pH، کربنات کلسیم، SAR و پایداری خاکدانه اندازهگیری شدند. پس از انجام تست آنالیز حساسیت پارامترهای کربن آلی، کربنات کلسیم و SAR به عنوان ورودیهای مدل انتخاب شدند.دادهها به دو سری آموزشی - 70 درصد دادهها - و آزمون 30 - درصد داده ها - تقسیم شدند.
نتایج ارزیابی مدل بر اساس شاخصهای ریشه میانگین مربعات خطا و ضریب تبیین نشان داد که الگوریتمهای آموزشی Momentum دارای بالاترین دقت در تخمین پایداری خاکدانه در مقایسه با الگوریتمهای Quick prop، Levenberg Marguan، Conjugat Gradient و Delta Bar Delta میباشد و شبکه عصبی میتواند در تخمین پایداری
خاکدانه به کار برده شود و نتایج مطلوبی بدست آورده شود.
مقدمه
از اتصال ذرات اولیه کنار هم در قالب خاکدانه، ساختمان خاک ایجاد میشود . - Duiker et al., 2003 - ساختمان خاک بر بسیاری از ویژگیهای خاک از جمله انتشار دی اکسید کربن، مقدار و چگونگی حرکت آب و املاح در خاک، انتشار عناصر غذایی و اندازه منافذ، آلودگی آبهای زیر زمینی، گرما و تهویه اثر دارد. پایداری ساختمان خاک با پایداری خاکدانههای خاک همسان است. تخریب خاک به عنوان شاخص کلیدی برای ارزیابی ساختمان، کیفیت و سلامت خاک درنظر گرفته می شود
پایداری ساختمان عبارت است از توانایی مقاومت خاکدانهها در برابر نیروهای فرساینده و مخرب آن
برای بهبود شرایط کشت و کار باید درک درستی از فرایندهای تخریب کنندهی ساختمان خاک داشت. از عوامل موثر بر ساختمان خاک میتوان به مواد آلی، مقدار رس، میزان سدیم، کربنات کلسیم، نوع کاتیون تبادلی و میزان اسیدیته خاک اشاره کرد
با توجه به وابستگی پایداری خاک به پارامترهای فیزیکی و شیمیایی خاک میتوان از پارامترهای زود یافت مقدار پایداری خاک را تخمین زد. با انجام این کار محدودیتهای روش تجربی و تئوری متداول در اندازهگیری پایداری خاک مرتفع گردیده، همچنین لزوم انجام آزمایشات زمانبر و دشوار به حداقل میرسد.
شبکه عصبی مصنوعی یکی از روشهای هوشمند پردازش دادهها میباشد که به دلیل شیوه تحلیل اطلاعات مشابه با مغز انسان، داشتن قدرت تعمیم، عدم نیاز به یک مدل ریاضی از پیش تعیین شده، عدم نیاز به هم راستایی و نرمال بودن دادهها و توانایی آموزش و یادگیری میتواند در تخمین پارامترهای دیر یافت خاک مورد استفاده قرار گیرد. ارتباط بین خصوصیات خاک و دیگر متغیرهای بیوفیزیکی به ندرت در طبیعت خطی میباشند. شبکه عصبی مصنوعی میتواند برای غلبه بر مسائل غیرخطی مورد استفاده قرار گرفته و بین متغییرهای ورودی و خروجی ارتباط برقرار کند.
شعبانی و همکاران - 1395 - به منظور تخمین پایداری خاک از طریق خصوصیات مختلف خاک در کاربریهای متفاوت از مدل شبکه عصبی استفاده کردند. نتایج آنها نشان داد نزدیک به 90 درصد تغییرات شاخص پایداری در مجموعهی آزمون را می توانت با این مدلها پیش بینی کرد.
نامدار خجسته و همکاران - 1390 - با استفاده از شبکههای عصبی مصنوعی رطوبت حجمی خاک را تخمین زدند. نتایج بررسی این محققین نشان داد استفاده از شبکههای عصبی و عاملهای زود یافت فیزیکی، میتواند مقدار رطوبت خاک را با دقت بالایی شبیهسازی کند.
مواد و روش
منطقه مورد مطالعه در محدوده شهرستان قروه انتخاب گردید. تعداد 100 نمونه از عمق 0-30 سانتیمتری سطح خاک به روش تصادفی جمعآوری و به آزمایشگاه منتقل و پس از هوا خشک شدن برای انجام آزمایشها و حذف خورده سنگها و بقایای گیاهی از الک 2 میلیمتری عبور داده شدند. در شکل 1 منطقه مورد مطالعه و نقاط نمونه برداری نشان داده شده است.
شکل -1 موقعیت منطقه مطالعاتی و نقاط نمونهبرداری
در این پژوهش بافت خاک به روش هیدرومتری - Gee and Bauder, 1986 - ، هدایت الکتریکی و اسیدیته در عصاره گل اشباع بهترتیب با دستگاههای هدایتسنج و pH متر - Sparks, 1996 - ، کربنات کلسیم به روش حجم سنجی - Nelson, 1982 - ، درصد ماده آلی به روش والکلی-بلاک - Nelson and Sommer, 1986 - ، میزان سدیم محلول با استفاده از دستگاه فلیم-فتومتر اندازه گیری شد.
کلسیم و منیزیم با استفاده از عصاره گل اشباع و به روش تیتراسیون برگشتی اندازهگیری شد. SAR با استفاده از نسبت سدیم به کلسیم و منیزیم محلول خاک بدست آمد. برای بررسی پایداری خاکدانه از اختلاف توزیع اندازهی ذرات از دو روش الک خشک و تر استفاده شد. برای اندازه گیری توزیع اندازه ذرات در حالت خشک از دستگاه شیکر الک با سری الک 2، 1، 0/5و 0/25 استفاده شد. بدین ترتیب که مقدار 50 گرم خاک روی بزرگترین الک ریخته و به مدت 2 دقیقه شیک شد. در پایان وزن خاک روی هر الک یادداشت شد و بدین ترتیب توزیع اندازه ذرات در حالت خشک بدست آمد سپس میانگین وزنی قطر خاکدانهها در حالت خشک - Hillel, 2004 - از فرمول زیر محاسبه گردید:
در این معادله میانگین قطر خاکدانهها روی هر الک، i - میانگین قطر سوراخهای الک بالایی و پایینی - ، n تعداد الکها و نسبت وزن خاکدانههای پایدار روی هر الک i به وزن کل خاک به کار برده شده است.
برای تعیین توزیع اندازه ی ذرات ثانویه در حالت تر نیز از روش تک الکی استفاده شد. در این روش خاکدانههای باقی مانده در روی هر الک از زیر اشباع و به مدت 10 دقیقه در آب بالا و پایین برده شدند. پس از پایان الک کردن، الکها به آرامی از آب خارج شده، خاکدانههای باقی مانده روی هر الک شسته شده سپس در آون در دمای 105 درجه سانتیگراد خشک و وزن شدند. خاکدانههای باقی مانده موبوط به هر الک خرد شده و ذرات شن و سنگ ریزه آن جدا شده و جرم واقعی خاکدانهها بر روی هر الک محاسبه گردید سپس میانگین وزنی قطر خاکدانهها در حالت تر از فرمول زیر محاسبه گردید:
در معادله ذکر شده میانگین قطر خاکدانهها روی هر الک i - میانگین قطر سوراخهای الک بالایی و پایینی - ، n تعداد الکها و نسبت وزن خاکدانههای پایدار روی هر الک i به وزن کل خاک به کار برده شده پس از کسر ذرات شن و سنگریزه بوده که از فرمول زیر محاسبه می شود:
که در آن ، وزن ذرات باقی مانده در دامنه ی i، ، وزن ذرات شن و سنگریزه در دامنهی i و ، وزن آون-خشک خاک می باشد. اختلاف الک خشک با الک تر به عنوان شاخصی از پایداری خاکدانه وارد مدل شبکه عصبی شد. بهمنظور مقایسه عملکرد الگوریتمهای مختلف آموزشی مدل شبکه عصبی مصنوعی از پارامتر مجذور میانگین مربعات خطا - RMSE - استفاده شد.
که در این معادله مقادیر پیشبینی شده، مقادیر اندازه گیری شده و n تعداد دادهها است. از نرم افزار Neural
Solution 5 و مدل شبکه عصبی مصنوعی Multiple layer perceptron که پر کاربردترین شبکه در حل مسائل غیر خطی است، جهت تخمین پایداری خاکدانه استفاده شد. برای مدل سازی شبکه عصبی مصنوعی از کربنات کلسیم، کربن آلی و SAR به عنوان ورودی مدل استفاده شد که مدلهای مورد استفاده آن دارای تابع فعالسازی تانژانت هایپربولیک در هر سه لایه ورودی، پنهان و خروجی و تعداد لایههای پنهان آن از 1 تا 6 متغیر بود
نتایج و بحث
جدول 1 ویژگیهای آماری خصوصیات خاکهای مورد مطالعه را نشان میدهد.
