تخمین هدایت هیدرولیکی اشباع خاک بوسیله شبکه های عصبی مصنوعی

اندازه گیری خصوصیات هیدرولیکی خاک مانند هدایت هیدرولیکی اشباع خاک به دلیل نیاز به صرف هزینه و زمان زیاد اغلب با مشکل مواجه است، بنابراین استفاده از روش هایی که بتوانند این خصوصیات را با استفاده از پارامترهای زودیافت خاک نظیر بافت، کربن آلی، جرم مخصوص ظاهری و … با دقت مناسب تخمین بزنند لازم به نظر می رسد . امروزه شبکه های عصبی مصنوعی به عنوان یک روش هوشمند پردازش داده ها، در شاخه های متفاوت علوم کاربرد زیادی پیدا کرده است . این شبکه ها به دلیل مدلسازی ساختار تحلیل اطلاعات توسط مغز، قدرت تعمیم دهی، توانایی آموزش و یادگیری، عدم نیاز به یک مدل ریاضی از پیش تعیین شده و ساختار تبدیل غیر خطی داده ها می توانند روابط پیچیده بین پارامترهای ورودی و خروجی را به خوبی درک کنند و خروجی های مطلوب را تخمین بزنند . از دهه 90 تاکنون تلاش های بسیاری از سوی محققین به منظور کاربرد شبکه های عصبی مصنوعی در مدلسازی نفوذپذیری، هدایت هیدرولیکی، منحنی رطوبتی، مقدار رواناب، میزان فرسایش و ... انجام گرفته است . اسخاپ و لیج (1998) دریافتند که شبکه های عصبی می توانند تخمین قابل قبولی از هدایت هیدرولیکی اشباع، غیر اشباع و مشخصات منحنی رطوبتی خاک داشته باشند . تاماری و همکاران (1996) از شبکه های عصبی برای برآورد هدایت هیدرولیکی خاک استفاده کردند و دریافتند که این شبکه ها کار آیی بهتری نسبت به سایر توابع انتقالی در برآورد پارامتر مربوطه دارند تحقیقات محمدی (2002) ، نوابیان (1382) ، پرسون و همکاران (2002) ، رزا و همکاران (1999) ، شارما و همکاران (2003) ، پاچپسکی و همکاران (1996) ، لیزنار و نیرینگ (2002) و میناسنی و همکاران (2004) ، به خوبی موید این مطلب است که این شبکه ها می توانند به عنوان یک روش دقیق مدلسازی در تخمین پارامترهای دیر یافت خاک مورد استفاده قرار بگیرند .