نوع مقاله : مقاله پژوهشی

نویسندگان

• علیرضا مجیدی ¹
• غلامرضا لشکری‌پور ²
• ضیاءالدین شعاعی ³

¹ دانشجوی دکتری زمین‌شناسی مهندسی، دانشکده علوم، دانشگاه فردوسی مشهد

² استاد، دانشکده علوم، دانشگاه فردوسی مشهد

³ دانشیار پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

چکیده

پتانسیل‌ تورمی خاک‌های ریزدانه از جمله عوامل موثر بر فرسایش و رفتار مکانیکی آن‌ها و همچنین از داده‌های ضروری در مراحل مطالعه، طراحی، اجرای و انتخاب مصالح اغلب سازه‌های مهندسی به خصوص سازه‌های هیدرولیکی هستند. در این پژوهش به‌منظور پیش‌بینی پتانسیل ‌تورمی خاک‌های ریزدانه مارنی از مدل شبکه عصبی مصنوعی پرسپترون چند لایه و الگوریتم آموزش لونبرگ-مارکوارت استفاده شده است. به‌منظور مشخص نمودن بهترین مدل پیش‌بینی پتانسیل‌ تورمی خاک‌های مارنی، چند عامل مختلف از جمله ساختار شبکه و ترکیب پارامتر‌های ورودی، به‌طور هم‌زمان و در ارتباط با یکدیگر به روش سعی و خطا مورد بررسی و ارزیابی قرار گرفت. در این تحقیق از نتایج آزمایش‌های فیزیکو شیمیایی و مکانیکی انجام شده بر روی 60 نمونه خاک ریزدانه مارنی با سنگ مادری مارن‌های نئوژن، سازندهای قم و قرمز بالایی که از حوضه دریاچه نمک و در نواحی تهران، قم و ساوه برداشت شده، استفاده شده است. در این تحقیق از پارامتر شیمیایی قابلیت هدایت الکتریکی اشباع خاک EC، به‌عنوان یک پارامتر جدید همراه با پارامترهای شاخص و فیزیکی نظیر، حدود اتربرگ، دانه‌بندی، عدد فعالیت خاک، درصد پوکی و دانسیته اولیه خاک در پیش‌بینی پتانسیل ‌تورمی خاک استفاده شد. مقادیر معیارهای ارزیابی R² ،RMSE و ضریب کارایی مدل MCE مربوط به بهترین مدل با پارامترهای فیزیکی Y_d0، C، M، A، PI و LL به‌ترتیب برابر 0.89، 2.3 و 0.84 و برای بهترین مدل با پارامترهای فیزیکی Y_d0، C، M، PI، LL به همراه پارامتر EC به‌ترتیب برابر 0.92، 1.7 و 0.91 می‌باشد. به این ترتیب نتایج معیارهای ارزیابی مدل‌های شبکه عصبی نشان داد که استفاده از پارامتر هدایت الکتریکی اشباع خاک به همراه دیگر پارامتر‌های خاک، باعث افزایش دقت و کارایی مدل شبکه عصبی در پیش‌بینی پتانسیل تورمی خاک‌های ریزدانه مارنی می‌شود.

کلیدواژه‌ها

• خاک‌های ریزدانه مارنی
• شبکه عصبی مصنوعی
• نئوژن
• هدایت الکتریکی اشباع خاک

عنوان مقاله [English]

Prediction of swelling potential of marl soils of Salt Lake watershed basin

نویسندگان [English]

• Alireza Majidi ¹
• Gholamreza Lashkaripour ²
• Ziaoddin Shoaei ³

¹ PhD Student, Faculty of Science, Ferdowsi University of Mashhad, Iran

² Professor, Faculty of Science, Ferdowsi University of Mashhad, Iran

³ Associate Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, ‎Education and ‎Extension Organization (AREEO), Tehran, Iran

چکیده [English]

The swelling potential of fine-grained soils is one of effective parameters on soil mechanical behavior and erosion and fundamental data required for the design, construction and choosing construction materials. This paper presents a multi-layer perceptron (MLP) artificial neural network (ANN) model to prediction of the swelling potential of marl soils. Marl soil is a fine-grained soil. The Levenberg-Marquadt learning algorithm was used to train the networks. Existing models prediction of soil swelling potential based on physical and soil index parameters. The present study considers the effects of chemical factors on the behavior and characteristics of fine-grained soils along with the common soil index parameters. The model used physicochemical and mechanical test results from 60 marl soil samples taken from marl formations in the Neogene basin in central Iran (Tehran, Qom and Saveh regions). The models were designed to use different input data sets and structures to determine which soil properties and ANN structures correlate well with the swelling potential parameter. Electrical conductivity (EC) of saturated soil was a new input parameter used in addition to the physical and soil index parameters that include the atterberg limit, activity, content of the clay and silt, initial of porosity ratio and dry density. Values of RMSE, R2 and MCE (evaluation criteria) related to the best model with the physical parameters LL, PI, A, M, C and Y_d0 are respectively 0.89, 2.3, 0.84, and for the best model with the physical parameters LL, PI, M, C, Y_d0 and EC are respectively 0.92, 1.7, and 0.91.The results of the evaluation criteria models show that inclusion of EC improved the accuracy of the model. It was found that the accuracy of the generalizations and estimations of the ANN models was further increased by clustering data before the data division stage by k-means method to Compared with hierarchical method.

کلیدواژه‌ها [English]

• Artificial Neural Network
• Electrical conductivity of saturated soil
• Marl soil
• Neogene
• Swelling potential of soil