پيش‌بيني ضريب پخش آلودگي در رودخانه ها با استفاده از مدل تركيبي شبكه عصبي و الگوريتم ژنتيك

Prediction of Longitudinal Dispersion Coefficient of Pollution in Rivers Using a Modified of Neural Networksby Genetic Algorithm

فرايند پخشيدگي آلودگي در رودخانه‌ها بسيار پيچيده است. مديريت صحيح كيفيت آب رودخانه نيازمند داشتن اطلاع دقيقي از ضريب پخشيدگي آلودگي است. توسعه مدل‌هاي تجاري جهت شبيه سازي عددي انتقال آلودگي در مجاري روباز مستلزم محاسبه ضريب پخشيدگي مي‌باشد. هرچقدر دقت پيش بيني و محاسبه اين پارامتر بيشتر باشد دقت و صحت مدل‌هاي مدل سازي نيز بيشتر مي‌شود و درنهايت برنامه ريزي و تصميم گيري هاي مديريتي متناسب، با دقت و اطمينان بيشتري انجام خواهد شد. روش‌هاي فراواني براي محاسبه ضريب پخشيدگي وجود دارد ازجمله روش‌هاي تجربي، تحليلي و رياضي. روش‌هاي تجربي به علت خطاي زياد، مورد توجه قرار نگرفته‌اند. روش‌هاي تحليلي و رياضي با منظور كردن فرضيات ساده سازي در مراحل مدل سازي، نيز علي رقم پيچيدگي محاسبات، نتايج قابل قبولي را ارائه نداده اند. بنابراين ارزيابي روابط تجربي به توسعه مدل شبكه عصبي چند لايه پرداخته شده است. معادلات تجربي در بهترين حالت داراي دقتي برابر با ( ) كه مربوط به فرمول ارائه شده توسط كاشفي پور و توكلي زاده است. براي تخمين دقيق تر ضريب پخشيدگي مدل شبكه عصبي چند لايه توسعه داده شده است. دقت مدل شبكه عصبي در مراحل آموزش و آزمايش به ترتيب برابر با بوده است. درادامه براي افزايش دقت و كارايي مدل شبكه عصبي، بهينه سازي ضرايب وزني مورد نياز شبكه عصبي با استفاده از الگوريتم ژنتيك انجام شده است كه عملكرد آن در مراحل آموزش و آزمايش به ترتيب برابر با مي باشد. نتيجه نهايي نشان مي دهد كه مي توان دقت مدل شبكه عصبي توسعه داده شده را بدون افزايش تعداد سلول و يا تعداد لايه ها، تا حدود 19 درصد افزايش داد.

Reductionof Surface water quality and pollution in the environment is majorproblems. This issue will become more important because the rivers are as a source for supplied for drinking water for people, industrial and agriculture. Prediction and modeling of hydraulic phenomenon is one of the most importantactivities of Hydraulic Engineering. Neural network is one of the most useful methods of data processing which capable of modeling the complex relationships between input and output. In this study, for prediction of the dispersion coefficient of pollution in rivers and thedevelopment of neural network (ANN) and empirical formulas wasstudied. Best accuracy of them is related to the Tavakollizadeh and Kashefipur, formula which its error index R 2 􀀠 0.77 . To increase in the perdition of the dispersion coefficient, the multi-layer perceptron (MLP) was developed. Training process and simulation MLP model was conducted in the Matlabsoftware environment.To increase the performance of the MLP, genetic algorithm for training process is used. The results showed that the MLP are more accurate in comparison with other empiricalequations.Using genetic algorithms for neural network training the neural network model will further increase its accuracy about the 19 percent.