توسعه مدل شبكه عصبي بر مبناي توابع آموزش گراديان مزدوج و پس انتشار ارتجاعي براي پيش بيني ضريب انتشار طولي رودخانه ها

Development of Neural Network Model Based on Conjugate Gradient and Resilient Back-Propagation Training Function for Estimation of Longitudinal Dispersion Coefficient in Rivers

گام اساسي در مدل سازي كيفي محيط هاي آبي يك بعدي مانند رودخانه ها، تعيين ضريب انتشار طولي (LDC) براي معادله ي انتقال-پخش آلاينده ها است. در اين مقاله براي پيش بيني LDC، مدل شبكه ي عصبي مصنوعي (ANN) بر مبناي الگوريتم هاي آموزشي با رويكرد عددي و همچنين رويكرد اكتشافي توسعه داده شده است. براي اين منظور توابع آموزشي گراديان مزدوج شامل توابع فلچر-ريوس، پولاك-ريبره، پاول-بيل و گراديان مزدوج مقياس دار از دسته الگوريتم هاي عددي و همچنين تابع پس انتشار ارتجاعي از دسته الگوريتم هاي اكتشافي براي بهينه سازي پارامترهاي مدل ANN استفاده شدند. در مرحله ي بعد با استفاده از آماره هاي بررسي شده براي ارزيابي نتايج، بهترين مدل با ساختار شامل هر يك از توابع نامبرده انتخاب شدند و در ادامه از بين مدل هاي منتخب، مدلي كه بهترين عملكرد را داشت، يعني مدل با تابع آموزش پس انتشار ارتجاعي، با توجه به آماره ي نسبت تفاوت توسعه يافته (DDR)، به عنوان نتيجه نهايي اين مقاله برگزيده شد. در پايان نيز براي ارزيابي بهتر نتايج تحقيق، رويكردي مقايسه اي بين نتيجه بهترين مدل توسعه داده شده با ديگر مطالعات انجام گرفته به وسيله مدل هاي هوشمند انجام شد كه يافته ها حاكي از عملكرد برتر مدل پس انتشار ارتجاعي بود.

Determining the longitudinal dispersion coefficient (LDC) for Advection-Diffusion equation is the first step in water quality modeling for one-dimensional water bodies such as rivers. In this research, an artificial neural network (ANN) model has been developed based on the standard numerical optimization algorithms and heuristic techniques to determine the LDC. In this regard, conjugate gradient (CG) training functions including Fletcher-Reeves, Polak-Ribiére, Powell-Beale and scaled conjugate gradient functions from the standard numerical optimization algorithms category and resilient back-propagation (Trainrp) training function from the heuristic algorithms, have been applied to optimizing ANN parameters. Then, the best model has been selected for each of the training functions according to indices that are used to evaluate results. Among the selected models, the ANN model with the Trainrp training function has been selected as the best model to predict the LDC due to DDR statistic. Finally, a comparison has been undertaken between the selected model and other suggested artificial intelligent methods by the researchers. According to the implemented comparisons, the Trainrp function acquired the best performance.