مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

1,554
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

679
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی

صفحات

 صفحه شروع 97 | صفحه پایان 114

چکیده

آزمون گاما ابزاری مناسب برای تعیین ترکیب بهینه ورودی ها و تعداد داده های مناسب برای رسیدن به کمترین میانگین مربعات خطا در هر گونه مدل سازی غیرخطی پیوسته می باشد. در این پژوهش از فن آوری آزمون گاما برای انتخاب ورودی های بهینه از میان 12 پارامتر ورودی (شامل ویژگی های خاک, توپوگرافی و پوشش گیاهی) موثر در برآورد مقاومت برشی خاک استفاده شد. سپس با استفاده از دو گروه داده های ورودی مختلف, دو مدل شبکه عصبی مصنوعی برای برآورد مقاومت برشی خاک طراحی شد (مدل های 1 و 2). در مدل 1 از هر 12 پارامتر اندازه گیری شده به عنوان ورودی و در مدل 2 از 5 پارامتر بهینه به دست آمده از مطالعات آزمون گاما برای مدل سازی استفاده شد. بر اساس نتایج آزمون گاما, پارامتر شن ریز دارای کمترین مقدار گاما و میانگین وزنی قطر خاک دانه ها (MWD) دارای بیشترین مقدار گاما و نسبت v بودند. همچنین شاخص پوشش گیاهی (NDVI), درصد شن, شن خیلی ریز و جهت شیب, 4 پارامتر دیگری بودند که دارای کمترین مقدار گاما نسبت به سایر پارامترهای اندازه گیری شده بودند. مقدار گاما برای این پارامترها به ترتیب 0.2177, 0.2280, 0.2313 و 0.2318 بود. بنابراین بر اساس نتایج آزمون گاما 5 پارامتر شن خیلی ریز, شن ریز, درصد شن, NDVI و جهت شیب به عنوان ورودی های بهینه برای مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی انتخاب شدند. مدل شبکه عصبی طراحی شده با استفاده از 5 پارامتر ورودی بهینه به دست آمده از مطالعات آزمون گاما (مدل 2), دارای دقتی معادل با مدل شبکه عصبی طراحی شده با استفاده از 12 پارامتر ورودی (مدل 1) بود. مقادیر ضریب هم بستگی (r) و ریشه میانگین مربعات خطا (RMSE) برای مدل 2 به ترتیب 0.885 و 0.045 بود در حالی که مقدار این شاخص ها برای مدل 1 به ترتیب برابر 0.891 و 0.058 بود. بنابراین به نظر می رسد که بتوان از آزمون گاما برای انتخاب ورودی های بهینه موثرتر بر برآورد مقاومت برشی خاک برای کاهش حجم محاسبه ها و صرفه جویی در وقت و هزینه ها استفاده نمود.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    بسالت پور، علی اصغر، حاج عباسی، محمدعلی، و ایوبی، شمس اله. (1392). استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی. پژوهش های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)، 20(1)، 97-114. SID. https://sid.ir/paper/156047/fa

    Vancouver: کپی

    بسالت پور علی اصغر، حاج عباسی محمدعلی، ایوبی شمس اله. استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی. پژوهش های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)[Internet]. 1392؛20(1):97-114. Available from: https://sid.ir/paper/156047/fa

    IEEE: کپی

    علی اصغر بسالت پور، محمدعلی حاج عباسی، و شمس اله ایوبی، “استفاده از آزمون گاما برای انتخاب ورودی های بهینه در مدل سازی مقاومت برشی خاک با استفاده از شبکه های عصبی مصنوعی،” پژوهش های حفاظت آب و خاک (علوم کشاورزی و منابع طبیعی)، vol. 20، no. 1، pp. 97–114، 1392، [Online]. Available: https://sid.ir/paper/156047/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button