مدل سازي تخمين ميزان رسوب رودخانه به كمك روش شبكه عصبي مصنوعي (رودخانه ونايي)

براورد صحيح حجم رسوبات در رودخانه ها، يكي از مهمترين مسائل در پروژه هاي مهندسي رودخانه، منابع آب و محيط زيست مي باشد . همچنين براورد صحيح بار (رسوبات )معلق رودخانه ها در جلوگيري از خسارات ناشي از سيلاب ها بر روي رسازه هاي آبي همانند سد ها و غيره مي باشد. بخشي از رسوبات رودخانه اي مواد غوطه ور درون جريان آب هستند كه همراه با آب در حركت مي باشند كه به آنها مواد رسوبي معلق گفته مي شود و ميزان مواد رسوبي معلق را كه در واحد زمان از يك مقطع رودخانه عبور كند، بار معلق مي نامند.منطقه مورد مطالعه در اين پژوهش حوضه آبريز رودخانه ونايي است. اين منطقه در شهرستان بروجرد، در استان لرستان در غرب ايران واقع شده است، پژوهش حاضرازنوع كاربردي است. بدين صورت كه، ابتدا مشخصات زيرحوضه هاي اين رودخانه استخراج شده است اين مشخصات شامل مشخصات فيزيكي زيرحوضه ها از جمله مساحت، محيط و طول آبراهه ها و مشخصات مربوط به دبي رودخانه و ميزان رسوب آن است. در ادامه با روش هاي رگرسيون خطي چند متغيره، شبكه عصبي پيش خور چندلايه (MLP) به تخمين بار رسوب پرداخته شد. پس از محاسبه شاخص هاي RMSE و MAE با توجه به اين امر كه هرچقدر ميزان اين شاخص ها كمتر باشد مقدار پيش بيني شده به مقادير واقعي نزديكتر است بنابراين باتوجه به شواهد حاصله مدل شبكه عصبي مصنوعي MLP دقت بهتري را نسبت به مدل ديگر در تخمين ميزان رسوب منطقه نشان ميدهد. از سوي ديگر با توجه به مقدار شاخص R^2 كه براي دومدل محاسبه شده است دقت تخمين مدل به مقدار90.47 براي مدل MLP محاسبه شده است، مقدار R2 براي اين مدل برابر 0.89 است. پس از مدل شبكه عصبي مصنوعي MLP. مدل رگرسيون خطي چند متغيره با مقدار R2 برابر با 0.353 قرار دارد. و اين نشان دهنده ي دقت سه برابري مدل MLPنسبت به مدل رگرسيون مي باشد مدل رگرسيون خطي نيز به علت اين امر كه تنها روابط خطي بين متغير ها را در نظر مي گيرد بيشترين ميزان خطا را دارد.