پيش بيني توزيع غلظت رسوبات معلق با استفاده از مدل شبكه عصبي مصنوعي

Prediction of suspended sediment distribution of Karoon River using artificial neural network

در هيدروليك رسوب، برآورد صحيح غلظت رسوب معلق از جهات مختلف مانند تخمين دبي رسوب عبوري، جانمايي سازه هاي هيدروليكي و غيره مهم مي باشد. با توجه به اهميت موضوع، در اين مطالعه براي مدلسازي و پيشبيني غلظت رسوب رودخانه كارون از شبكه عصبي مصنوعي پرسپترون چند لايه(ANN/MLP) استفاده شد. بدين منظور از 125 سري داده صحرايي اندازه گيري شده شامل غلظت نزديك كف، سرعت نقطه اي، نزديكترين فاصله از ساحل، عمق كل جريان و عمق نقطه اي جريان استفاده شد. كارايي مدل مورد استفاده با استفاده از پارامترهاي آماري مانند ضريب تبيين(R2) و ريشه ميانگين مجذور خطا، ميانگين خطاي مطلق(RMSE)مورد ارزيابي قرار گرفت. نتايج اين پژوهش نشان داد، مدل MLP با يك لايه مياني، تابع سيگموييد و 5 نرون، بهترين ساختار را در مدلسازي غلظت رسوب رودخانه كارون داشته‌اند. مقدار ضريب تبيين(R2) و خطاي ريشه ميانگين مربعات خطا(RMSE) برابر 0/953 و 63/37 ميلي گرم بر ليتر به ترتيب در مرحله آموزش و 0/752 و 203/02 ميلي گرم بر ليتر در مرحله صحتسنجي بوده است. همچنين آناليز حساسيت انجام شده بر روي پارامترهاي ورودي مدل نشان مي‌دهد كمترين و بيشترين تاثير را دو پارامتر فاصله از ساحل و عمق جريان در يادگيري شبكه عصبي مصنوعي داشتند.

Accurate estimation of sediment concentrations in hydraulic sediment transport from different viewpoint such as sediment discharge estimation of river, selection of hydraulic structures and etc. are important. With respect to importance of this issue in this study for prediction of sediment concentration of Karun river multi-layer perceptron artificial neural network (ANN / MLP) was used. For this purpose 125 field data including bottom concentration, flow velocity, nearest distance from the beach, and the total depth of flow and flow depth was used. Three statistical metrics namely mean absolute error (MAE), root mean square error (RMSE) and coefficient of determination (R2) were used to evaluate the performance of ANN model. The result shows that MLP model with one hidden layer, Sigmoid transfer function and 5 neurons have best structure in the modeling of sediment concentration of Kroon River. The R2 and RMSE value is equal to 0.953 and 63.37 mg/l in training stage and 0.752 and 203.02 mg/l in testing stage, respectively. Finally, the sensitive analysis also showed that the nearest distance from the beach and flow depth had the most and the least effect on the sediment concentration, respectively.