پتانسیل تورمی خاک های ریزدانه از جمله عوامل موثر بر فرسایش و رفتار مکانیکی آن ها و همچنین از داده های ضروری در مراحل مطالعه، طراحی، اجرای و انتخاب مصالح اغلب سازه های مهندسی به خصوص سازه های هیدرولیکی هستند. در این پژوهش به منظور پیش بینی پتانسیل تورمی خاک های ریزدانه مارنی از مدل شبکه عصبی مصنوعی پرسپترون چند لایه و الگوریتم آموزش لونبرگ مارکوارت استفاده شده است. به منظور مشخص نمودن بهترین مدل - پیش بینی پتانسیل تورمی خاک های مارنی، چند عامل مختلف از جمله ساختار شبکه و ترکیب پارامتر های ورودی، به طور هم زمان و در ارتباط با یکدیگر به روش سعی و خطا مورد بررسی و ارزیابی قرار گرفت. در این تحقیق از نتایج آزمایش های فیزیکو شیمیایی و مکانیکی انجام شده بر روی 60 نمونه خاک ریزدانه مارنی با سنگ مادری مارن های 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 ، به عنوان یک پارامتر جدید همراه با پارامترهای شاخص و فیزیکی نظیر، حدود اتربرگ، دانه بندی، عدد فعالیت خاک، درصد پوکی و دانسیته اولیه خاک در پیش بینی پتانسیل تورمی خاک استفاده شد. مقادیر معیارهای ارزیابی R2 ، RMSE و ضریب کارایی مدل MCE مربووط به بهترین مدل با پارامترهای فیزیکیPI, A, M, C, Yd60 و LL به ترتیب برابر با 0.89، 2.3 و 0.84 و برای بهترین مدل با پارامترهای فیزیکیLL, PI, M, C, Yd60 به همراه پارامتر EC به ترتیب برابر 0.92، 1.7 و 0.91 می باشد. به این ترتیب نتایج معیارهای ارزیابی مدل های شبکه عصبی نشان داد که استفاده از پارامتر هدایت الکتریکی اشباع خاک به همراه دیگر پارامتر های خاک، باعث افزایش دقت و کارایی مدل شبکه عصبی در پیش بینی پتانسیل تورمی خاک های ریزدانه مارنی می شود.

کلمات کلیدی