مدل‌سازی بار رسوب کل رودخانه‌ها با استفاده از شبکه‌های عصبی مصنوعی

الموضوعات :

امین فلامکی ¹ , مهناز اسکندری ² , عبدالحسین بغلانی ³ , سید احمد احمدی ⁴

1 - استادیار گروه مهندسی؛ دانشگاه پیام نور؛ ایران
2 - باشگاه پژوهشگران جوان؛ دانشگاه آزاد اسلامی؛ واحد علوم و تحقیقات؛ تهران؛ ایران
3 - استادیار دانشکده عمران و محیط¬زیست؛ دانشگاه صنعتی شیراز؛ ایران
4 - کارشناس ارشد سازه‌های هیدرولیکی

تاريخ الإرسال : 05 الإثنين , محرم, 1434 تاريخ التأكيد : 08 الإثنين , ربيع الثاني, 1434 تاريخ الإصدار : 12 الجمعة , شعبان, 1434

الکلمات المفتاحية: پرسپترون چند لایه, توابع پایه شعاعی, روابط انتقال رسوب, غلظت رسوب کل,

ملخص المقالة :

برآورد بار رسوب کل رودخانه ها از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. غلظت رسوب می تواند به روش های مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روش های مستقیم پرهزینه و زمان بر هستند. همچنین بار رسوب کل می تواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آن ها با یکدیگر و با مقادیر اندازه گیری شده متفاوت است. هدف از این پژوهش ارائه روشی بر پایه شبکه های عصبی مصنوعی (ANN) در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) و 200 نمونه، استفاده شد. 75 درصد از داده ها برای آموزش و 25 درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای ورودی مدل ها شامل سرعت متوسط جریان، شیب کف آبراهه، عمق متوسط، عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل، غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکه ها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسب ترین مدل تعیین شود. سپس نتایج حاصل از مدل های ANN با پنج معادله معروف انتقال رسوب مقایسه شدند. شاخص‌های آماری نشان داد که دقت شبکه های عصبی به ویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی 96/0 بیش از سایر مدل هاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع داده های هیدرولوژیک و رسوب است. رابطه Ackersو White در برآورد مقدار بار رسوب کل بسیار بیش برآورد و سایر روابط، کم برآورد بودند. نتایج این پژوهش نشان داد که مدل های ارائه شده بر پایه شبکه های عصبی با مقادیر رسوب کل مشاهده شده هم خوانی بیشتری دارند و بویژه شبکه MLP می تواند مقدار رسوب را در نقاط پیک به خوبی برآورد نماید.