Prediction of water retention curves using neural networks

Su tutma eğrisi (STE) su muhtevası ile zemin emmesini ilişkilendirir. STE bilgisi, suya doygun olmayan zeminlerin davranımını açıklamakta önemlidir. Bunun için geliştirilmiş çoğu metod ya zaman alıcı ya da pahalıdır. Hızlı tahminlere olan talebin teşvik ettiği bu çalışma, (i) hiperparametre optimizasyonu, (ii) su tutma ve dane büyüklüğü dağılımı temsillerinin yeniden değerlendirilmesi ile derinleştirilerek 88 yapay sinir ağı tasarımının bir kompozisyonunu sunar. Mevcut çalışmaların çoğunda gözlemlendiğinin aksine, tekstürel sınıfı veya emme aralığı göz önünde bulundurulmaksızın UNSODA veri tabanından elde edilen veriler kullanıldı. Bu kapsayıcı yaklaşım, çalışmayı özgün kılarken, metodolojide bir dizi problem ve tahminlerin doğruluğunun düşmesine sebebiyet verdi. Geliştirilen modeller arasında Fredlund ve Xing (1994) modeli, 0.51 ile 0.85 arasında değişen R^2 değerlerinin en yükseğini yakaladı.