مریم بیات ورکشی - دانشجوی کارشناسی ارشد آبیاری و زهکشی دانشگاه بوعلی سینا
حمید زارع ابیانه - استادیار دانشکده کشاورزی دانشگاه بوعلی سینا
عادل قاسمی - دانشجوی کارشناسی ارشد آبیاری و زهکشی دانشگاه بوعلی سینا

در این مطالعه به منظور بررسی توانایی سیستم های هوش مصنوعی در پیش بینی خوردگی و رسوب دهی از شبکه عصبی - فازی و عصبی - الگوریتم ژنتیک به عنوان روشهای برتر در پیش بینی فرایندها استفاده شد. متغیرهای ورودی شامل یونهای بی کربنات، کربنات، کلیسیم، منیزیم و قلیائیت و خروجی مقادیر سه شاخص لانژلیر، رایزنر و پوکوریوس بود که هریک جداگانه توسط دو مدل پیش بینی شدند. نتایج نشان از توانایی بالای هر دو سیستم عصبی - فازی و عصبی - الگوریتم ژنتیک در پیش بینی میزان خوردگی و رسوب دهی بود. توانایی هر دو مدل در پیش بینی شاخص لانژلیر نسبت به دو شاخص دیگر بهتر ارزیابی شد. پیش بینی شاخص خوردگی لانژلیر توسط سیستم عصبی - فازی خطای کمتری (RMSE=0/42) نسبت به عصبی - الگوریتم ژنتیک (RMSE=0/69) داشت.

رسوب و خوردگی، عصبی - فازی، عصبی - الگوریتم ژنتیک، لانژلیر، رایزنر، پوکوریوس