محسن پوررضا بیلندی - استادیار گروه مهندسی آب، دانشگاه بیرجند، بیرجند، ایران
عباس خاشعی سیوکی - استادیار گروه مهندسی آب، دانشگاه بیرجند، بیرجند، ایران

هدایت هیدرولیکی اشباع خاک از مهم­ترین ویژگی­های فیزیکی خاک است که در مدیریت آبیاری مزارع، انتقال آلودگی و هم­چنین جریان آب در محیط­های غیراشباع نقش مهمی را دارا است. لیکن در بیش­تر موارد به علت محدودیت­های عملی و یا هزینه­ای، اندازه­گیری آن با دشواری همراه است. از این رو استفاده از مدل­های شبیه­سازی داده محور مانند شبکه عصبی مصنوعی با صرف هزینه کم و کارایی بالا می­توانند جایگزین مناسبی برای این منظور باشد. از آنجا که انتخاب دوره­های مختلف آموزش و آزمون به همراه توابع انتقال و آموزش متفاوت در این نوع مدل­ها به عنوان مهم­ترین منبع خطا می­باشد، لذا عدم اطمینان و قطعیت لازم در مقادیر خروجی شبیه­سازی شده مدل نیز از آن قابل نتیجه­گیری می­باشد. از این رو در این تحقیق بررسی منابع عدم قطعیت مذکور در شبیه­سازی هدایت هیدرولیکی اشباع خاک مورد بررسی قرار گرفته است. در انجام این تحقیق، تعداد ۱۵۱ نمونه از خاک­های زراعی (اراضی اطراف شهرستان بجنورد) انتخاب و متغیرهای موثر چگالی ظاهری و واقعی خاک با کمک رگرسیون مرحله­ای از بین دوازده متغیر مختلف اندازه­گیری شده جهت برآورد هدایت هیدرولیکی اشباع به کار گرفته شد. نتایج تحلیل عدم قطعیت به­دست آمده از ۱۰۰۰ سری داده مختلف نمونه­گیری شده (با کمک نمونه گیر مونت کارلو) جهت استفاده در دوره­های آموزش و آزمون شبکه عصبی پرسپترون با دو لایه بررسی و ارزیابی گردید. علاوه بر این، عملکرد ترکیب توابع انتقال و آموزش مختلف شبکه عصبی در تمام ۱۰۰۰ سری داده نیز به­عنوان دومین منبع خطا ارزیابی شد. نسبت درصد قرارگیری مشاهدات در بازه اطمینان به پهنای بازه (معیار NUE) برای توابع انتقال لگاریتم سیگموئید (NUE=۰.۵۷) و خطی (NUE=۰.۵۹) نسبت به تابع تانژانت سیگموئید (NUE=۰.۲۵)، بالاتر و بهتر مشاهده گردید. هم­چنین از بین توابع مختلف آموزش تنها تابع کاهش گرادیان دارای زمان اجرای بالاتر و مقدار معیار NUE پایین­تر به نسبت بقیه بوده و بنابراین بیش­ترین عدم قطعیت را در نتایج مقادیر هدایت هیدرولیکی خروجی شبیه­سازی شده داشت.  

توابع انتقال و آموزش, هدایت هیدرولیکی اشباع خاک, عدم قطعیت شبکه عصبی مصنوعی