تخمين رسوب معلق ورودي به چاه نيمه هاي سيستان و بلوچستان با استفاده از شبكه عصبي مصنوعي، سيستم استنتاج فازي- عصبي ومنحني سنجه رسوب مطالعه موردي: جريكه چاه نيمه)

Estimating Suspended Sediment Entering in Chahnime Reservoir of Sistan and Balochetan Province Using Artificial Neural Network, Inference Neuro - Fuzzy System and Sediment Rating Curve (Case Study: Jarike Chahnime)

ارائه راه كارهاي مناسب جهت برآورد دقيق بار معلق رودخانه ها در پروژه هاي منابع آب كاربردهاي فراواني دارد. به دليل تاثير پارامترهاي مختلف بر انتقال رسوبات در رودخانه ها، تعيين معادلات حاكم بر آن مشكل بوده و مدل هاي رياضي نيز در اين راستا از دقت كافي برخوردار نيستند. امروزه استفاده از سيستم هاي هوش مصنوعي به عنوان راه كاري جديد در تحليل مسائل آبي گسترش يافته است. در تحقيق حاضر از شبكه هاي عصبي، منطق فازي - عصبي و منحني سنجه رسوب جهت برآورد رسوب استفاده شده است . در اين مطالعه از سه تركيب مختلف ورودي براي تخمين بار رسوبي استفاده گرديد. در حالت اول دبي رسوب تنها تابعي از دبي جريان همان روز در نظر گرفته شده است. در حالت دوم دبي رسوب علاوه بر دبي جريان همان روز، تابعي از دبي جريان روز قبل نيز در نظر گرفته شده است. در نهايت در حالت سوم دبي رسوب علاوه بر دبي جريان همان روز، تابعي از دبي جريان روز قبل و دو روز قبل نيز در نظر گرفته شد. نتايج به دست آمده نشان مي دهد كه روش شبكه عصبي با ضريب تبيين 84/. و ميانگين مربع خطاي 0/05 از دقت بالاتري نسبت به مدل هاي ديگر در ايستگاه جريكه چاه نيمه برخوردار است.

Providing appropriate strategies for estimating the accurate suspended load of rivers has many applications in water resources projects. Because of the influence of various parameters on sediment transport in rivers, it is difficult to determine the governing equations, and mathematical models are not sufficiently accurate in this regard. Todays, the use of artificial intelligence systems as a new way of analyzing water issues has expanded. In this study, the neural networks, neuro- fuzzy and sediment rating curves are used for estimating sediment. In this study, three different input combinations were used to estimate sediment load. In the first case, the deposition rate is considered only as a function of the flow discharge in the same day. In the second case, the discharge flow rate other than the same day is considered as a function of the flow rate in the day before. Finally, in the third case discharge flow rate is regarded as a function of flow rate other than the same day and two days before it. The results show that neural network method with correlation coefficient 0/84 and the mean square error 0/05 has higher accuracy than other models in Jarikeh station on Chahnime.