@ARTICLE{Moradi, author = {Moradi, F. and Khalilimoghadam, B. and Jafari, S. and Ghorbani Dashtaki, S. and }, title = {Parametric Estimation of the Van Genuchten and Fredlund and Xing’s Moisture Retention Curve Models Using Soft Computing Techniques in Some Khozestan Soils}, volume = {18}, number = {69}, abstract ={تکنیک‏های محاسباتی نرم در سه دهه اخیر به‌طور وسیعی در تحقیقات علمی و مسائل مهندسی مطالعه و به‌کار برده شده‏اند. هدف از این پژوهش، بررسی توانایی شبکه عصبی پرسپترون چند لایه (MLP) و عصبی- فازی (NF) در برآورد پارامتریک منحنی نگهداشت رطوبتی خاک (SWRC) با استفاده از داده‏های کشت و صنعت‏های استان خوزستان بود. آنالیز حساسیت نیز جهت انتخاب ترکیب بهینه ورودی‏ها به‌کار برده شد. در تحقیق حاضر معادله‏های ون‏گنوختن و فردلند و زینگ جهت برآورد پارامتریک SWRC استفاده شد. ویژگی‏های اندازه‏گیری شده شامل توزیع اندازه ذرات خاک، ماده آلی، چگالی ظاهری، کربنات کلسیم معادل، نسبت جذب سدیم، هدایت الکتریکی عصاره اشباع، اسیدیته خاک، میانگین وزنی قطر خاکدانه‏ها، حدود خمیری و روانی، مقاومت نفوذی، درصد رطوبت اشباع و محتوی رطوبتی در مکش‏های 33،100، 500 و 1500 کیلوپاسکال بودند. نتایج این پژوهش بر پایه شاخص‏های ارزیابی عملکرد نشان داد که هر دو مدل MLP و NF برآوردهای مناسبی از SWRC ارائه دادند در حالی‏که شبکه عصبی برآوردهای بهتری از مدل عصبی- فازی فراهم کرد. به‌عنوان مثال مقادیر آماره NMSE در برآورد Sθ، rθ، α، n و m در معادله فردلند و زینگ با استفاده از مدل‏های MLP و NF به‌ترتیب برابر (059/0، 061/0)، (154/0، 162/0)، (109/0، 117/0)، (125/0، 135/0) و (129/0، 145/0) بودند. به‌علاوه پارامترهای α و n در عمق اول و rθ و α در عمق دوم در معادله فردلند و زینگ با دقت بیشتری نسبت به معادله ون‏گنوختن برآورد شدند. }, URL = {http://jstnar.iut.ac.ir/article-1-2866-fa.html}, eprint = {http://jstnar.iut.ac.ir/article-1-2866-fa.pdf}, journal = {Journal of Water and Soil Science}, doi = {}, year = {2014} }