مدل سازی تخمین میزان رسوب رودخانه به کمک روش شبکه عصبی مصنوعی (نمونه موردی: رودخانه گلرود) (مقاله علمی وزارت علوم)

چکیده

رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند، یا اینکه به یکی از صور لغزش، غلتیدن، پرش حرکت مینمایند که به آنها بار بستر می گویند. شبکه عصبی مصنوعی روشی است که بر پایه شبیه سازی عملکرد مغز انسان ب رای ح ل م سایل متنوع ارایه و از لایه های نرون ورودی، خروجی و میانی و وزنهای مربوط به مقادیر ورودی و بایاس و تابع تحریک تشکیل شده است. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه گِلِرود است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی ست. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) و شبکه عصبی برپایه تابع شعاعی (RBF) به مدل سازی تخمین رسوب پرداخته شده است.پس از محاسبه شاخص هایRMSE وMAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعیMLP دقت بهتری را نسبت به دو مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخصR2 که برای سه مدل محاسبه شده است دقت تخمین مدل به مقدار 0.409 برای مدلMLP محاسبه شده است، مقدارR2 برای این مدل برابر 0.88 است. پس از مدل شبکه عصبی مصنوعیMLP، مدل شبکه مصنوعیRBF نتایج بهتری ارائه می دهد. در این مدل مقدارR2 برابر است با 0.4 که نشان دهنده دقت تخمین حدود نصف مدلMLP است. و در رتبه سوم نیز مدل رگرسیون خطی چند متغیره با مقدارR2 برابر با 0.3 قرار دارد.مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد دارد بیشترین میزان خطا است.