استفاده از شبكه عصبي پرسپترون چند لايه MLP و بهينه سازي آن با روش الگوريتم ژنتيك در تخمين بار رسوب رودخانه (مطالعه موردي حوزه آبخيز زشك- ابرده شهرستان شانديز)

در كشور ما اطلاعات دقيق و صحيح از فرسايش، انتقال رسوب و رسوبگذاري بسيار كم است و بين اندازهگيري‌ها و برآوردهاي انجام شده نيز اختلاف زيادي مشاهده مي‌شود. پديده انتقال رسوب از جمله فرآيندهاي هيدروديناميكي مهمي است كه بسياري از سازه‌هاي رودخانه‌اي و تأسيسات عمراني را تحت تأثير قرار مي‌دهد و به‌عنوان يكي از بزرگترين مشكلات بهره‌برداري از منابع آب‌هايسطحي در جهان مطرح ميباشد. در اين پژوهش عملكرد شبكه عصبي مصنوعي پرسپترون چند لايه (MLP) در برآورد بار رسوب حوزه زشك ابرده شهرستان شانديز مورد ارزيابي قرار گرفت. بدين منظور سه سناريو شبيه‌سازي شد. به منظور شبيه‌ سازي سناريوي S1 از ورودي دبي آب، سناريوي S2از دبي آب و باران روزانه و سناريوي S3 از ورودي دبي آب، باران و دماي روزانه استفاده گرديد. نتايج نشان داد كه سناريو S2MLP با معماري 5 نورون مخفي در 2 لايه پنهان، تابع انتقال سيگموئيد و قانون يادگيري مومنتم در مجموعه آزمون با داشتن MSEو NMSE كمتر در مقايسه با ساير سناريوهاي MLP بهتر عمل كرده است. همچنين اين سناريو داراي NSE (598 /0) و AM (626 /0) بالاتري بوده كه نسبت به سناريوي S1MLP با NSE برابر با 594 /0 و AM برابر با 603 /0و مدل S3MLP با NSE برابر با 604/ 0 و AM برابر با 607/ 0 عملكرد بهتري را نشان مي‌دهد. از طرفي شبكه عصبي MLP در برآورد نقاط حدي دچار تخمين كمتر از حد بود كه يكي از دلايل آن مي‌تواند كمبود حضور داده‌هاي حدي در مرحله آموزش شبكه باشد. از آنجايي كه شبكه MLP عملكرد ضعيفي را در برآورد ميزان رسوب نشان داد، از الگوريتم ژنتيك براي آموزش و تعيين بهينه پارامترهاي معماري شبكه S2MLP كمك گرفته شد. نتايج نشان داد كه الگوريتم ژنتيك با ميزان r برابر با 89/ 0، NMSE برابر با 554 /0، همچنين با ضريب نش-ساتلكيف برابر با 658/ 0 و AMبرابر با 655/ 0 نسبت به مدل MLP عملكرد بهتري داشته است. اما با اين وجود در مجموع شبكه عصبي در اين حوزه كارايي كاملاً رضايت‌بخشي را در پيش بيني دقيق بار‌رسوبي نشان نداد. اين مي‌تواند به دليل كمبود داده‌هاي آموزشي و غير دقيق بودن و وجود خطا در آمار حوزه باشد.