ازپنج نوع از شبکه هاى شبکه عصبى مصنوعى جهت ساخت مدل براورد هدایت هیدرولیکى بخش غیر اشباع خاک براى 95 نمونه از خاک هایى که داده هاى مربوط به توزیع اندازه ذرات و ضریب هدایت هیدرولیکى غیر اشباع خاک در بانک اطلاعاتى موجود بود ، استفاده شد . بعدا در خلال آموزش اطلاعات مربوط به K sat نیز به داده ها افزوده شد . از این مدل ها در تلاش هاى مربوط به کشف داده ها جهت تشخیص حد اکثر دقت در پیش بینى هدایت هیدرولیکى غیر اشباع از روى داده هاى توزیع اندازه ذرات خاک استفاده شد. تاثیر انواع قوانین آموزشى ، توابع مختلف ترانسفر ، تعداد لایه هاى پنهان و تعداد عناصر عملیاتى هر لایه پنهان و بسیارى دیگر از عوامل موثر در بهینه کردن شبکه و کاهش خطاى RMS بررسى شد. این شبکه ها 12 متغیر ورودى و 16 متغیر خروجى داشتند که به ترتیب معرف منحنى تجمعى توزیع اندازه ذرات خاک و منحنى هدایت هیدرولیکى غیر اشباع خاک بودند . بدلیل عدم قطعیت در پیش بینى دقیق K sat توسط مدل خـطاى RMS نمى تواند مبناى دقیقى براى تشخیص مدل مناسب باشد. به همین دلیل در تشخیص نهایى از فایل هاى آزمایشى منحنى پیش بینى شده با منحنى اندازه گیرى شده بانک اطلاعاتى با هم مقایسه شدند . از بین مدل هاى مورد بررسى بدون توجه به میزان خطاى عالى بدست آمده RMS=0.0051 ، بهترین انطباق دو منحنى مربوط به مدل RBFN با 473 عنصر عملیاتى بود.

کلمات کلیدی