پیش بینی پیوسته منحنی نگهداشت آب – خاک در خاک های با پلاستیسیته کم با استفاده از یادگیری عمیق

منحنی نگهداشت آب – خاک از مهم ترین ویژگی های مورد استفاده در تحلیل رفتار مکانیکی و هیدرولیکی خاک های غیراشباع است، اما اندازه گیری آزمایشگاهی آن فرآیندی زمان بر و پرهزینه بوده و به تجهیزات تخصصی نیاز دارد؛ ازاین رو، روش های هوش مصنوعی به عنوان جایگزینی کارآمد برای آزمایش های مرسوم مورد توجه قرار گرفته اند. در این پژوهش، با بهره گیری از یادگیری عمیق، مدلی برای پیش بینی منحنی نگهداشت آب – خاک در خاک های با پلاستیسیته ی کم ارائه شده است. پایگاه داده ی مورد استفاده شامل اطلاعات ۱۷۲۷ نمونه از پایگاه اطلاعات جغرافیایی خاک ایالات متحده است. ورودی های مدل، مکش، تخلخل، حد روانی (LL)، شاخص خمیری (PI) و درصد عبوری از الک های شماره ی ۴، ۱۰، ۴۰ و ۲۰۰ بوده و خروجی شبکه، رطوبت وزنی خاک است. برای این منظور، یک شبکه ی عصبی عمیق پرسپترون چندلایه با چهار لایه ی پنهان و معماری ۱۰×۵×۵×۱۰ آموزش داده شد. نتایج نشان می دهد که مدل توسعه یافته می تواند میزان رطوبت خاک را در مقادیر مختلف مکش، تنها بر اساس ویژگی های فیزیکی خاک، با دقت مناسب پیش بینی کند و روندهای فیزیکی مورد انتظار را در تحلیل های پارامتریک بازتولید نماید. برخلاف بسیاری از مطالعات پیشین که رطوبت را فقط در چند سطح گسسته ی مکش تخمین می زنند، در این تحقیق مکش به عنوان یک ورودی مستقل در نظر گرفته شده است؛ ازاین رو مدل قادر است منحنی نگهداشت آب – خاک را برای هر نوع خاک به صورت تابعی پیوسته از رطوبت بر حسب مکش تولید کند. این رویکرد می تواند در پروژه های ژئوتکنیکی مرتبط با خاک های غیراشباع، به ویژه زمانی که دستیابی سریع و قابل اعتماد به منحنی SWRC مورد نیاز است، به کار گرفته شود.

کلیدواژه ها:

منحنی نگهداشت آب-خاک ، شبکه عصبی مصنوعی ، خاک غیراشباع ، هوش مصنوعی ، یادگیری عمیق