برآورد بار رسوب معلق با استفاده از شبكه ي عصبي مصنوعي

یكی از این روشهای نو ظهور در حل مسائل مهندسی استفاده از هوش مصنوعی است . مزیت اصلی این تكنیك نسبت به روش های رایج، اینست كه در مدت زمان نسبتاً كوتاهی قادر به بررسی تأثیر انواع پارامترهای در دسترس، بر فرآیند مورد بررسی می باشد، بدون آنكه در هر مرتبه نیاز به یافتن رابطه ی پیچیده ی ریاضی موجود بین پارامترهای منتخب باشد. در تحقیق حاضر نیز با استفاده از مدل پرسپترون چندلایهMLP)با الگوریتم پس انتشار خطاBP) و قانون یادگیری لونبرگ -ماركوارتLM) و بر اساس دبی جریان روزانه متوسط هر ماه و دبی رسوب متناظر با آن ، سری پیوسته ای از دبی جریان و رسوب تشكیل و تأثیر توالی های زمانی گذشته برروی میزان آورد رسوب بررسی شد

One of the newest methods in engineering problem solutions is using the artificial intelligent. The main advantage of this technique over traditional methods is that it can investigate the effect of available various parameters in one process in a relative short time without requiring to find a complex mathematical relationship between selected parameters at each time. In the present study based on the daily average flow of every month and it,s corresponding sediment discharge and using Multi Layer Perseptron (MLP) model with Error Back-Propagation (BP) algorithm and Levenberg-Maruardt (LM) learning function a continous series of flow and sediment discharge was composed and the effect of previous time steps on the amount of transported sediment was investigated.