ارزيابي عمكلرد روش‌هاي شبـكه‌ عصبي مصنوعي و يادگيري عميق در تخمين بار بستر رودخانه با بستر شني

سابقه و هدف: ارزيابي و برآورد ميزان انتقال رسوب، از ديرباز يكي از مسائل عمده و اصلي مهندسان هيدروليك و رودخانه بوده است. تعيين ميزان بار بستري كه در رودخانه‌ها حمل مي‌شود، به عوامل متفاوتي بستگي داشته و همين عامل باعث پيچيدگي اين پديده شده است. مطالعات انجام شده بر روي رودخانه‌هاي مختلف نشانگر اين مسئله است كه مقدار بار بستر انتقالي در شرايط مختلف هيدروليكي و هيدرولوژيكي متفاوت است، علاوه‌ بر اين خصوصيات فيزيكي ذرات بار بستر هم تأثير بسزايي در ميزان دقت مدل‌هاي پيش‌بيني دارد از طرفي علي رغم تأكيد بر غيرقابل اعتماد بودن معادلات تجربي كه بر روي يك ناحيه خاص گسترش يافته‌اند، متأسفانه مطالعات محدودي بر روي تغييرات موقتي بار بستر انجام شده است. از اين رو بررسي قابليت پيش‌بيني اين پديده از اهميت بالايي برخوردار است. در اين مطالعه سعي بر برآورد بار بستر در رودخانه‌هاي با بستر شني با استفاده از روش‌هاي كلاسيك و هوشمند شده است. مواد و روش‌ها: روش‌هاي يادگيري ماشين به دليل دقت زياد در پيش‌بيني مسائل مختلف در سال‌هاي اخير مورد ‌توجه زيادي قرار گرفته است. از اين‌رو در مطالعه حاضر، از دو روش شبكه عصبي مصنوعي كلاسيك (ANN) و يادگيري عميق از نوع حافظه طولاني كوتاه مدت (LSTM) كه نوعي شبكه عصبي مصنوعي با لايه‌ها و الگوريتم‌هاي تقويتي براي بهبود عملكرد شبكه است؛ براي پيش‌بيني انتقال بار بستر 19 رودخانه با بستر شني استفاده شده است. براي تعريف مدل‌هاي مناسب براي شبكه‌ها، نتايج حاصل از 10 فرمول تجربي در پيش‌بيني بار بستر مورد ارزيابي قرار گرفته و از پارامترهاي فرمول‌هاي برتر به عنوان ورودي شبكه‌هاي هوشمند استفاده شده است. يافته‌ها: نتايج نشان داد همه‌ فرمول‌هاي تجربي از نتايج بسيار ضعيفي برخوردار بوده‌اند؛ به‌طوري كه اكثر فرمول‌ها، بار بستر را با شاخص اختلاف r بيشتر از 100 پيش‌بيني كرده‌اند. با اين حال روش‌هاي ماشيني با پارامترهاي ورودي حاصل از فرمول‌ها تجربي از دقت قابل‌قبولي در پيش‌بيني بار بستر برخوردار بوده است و در مقايسه روش‌هاي ماشيني، روش LSTM نتايج دقيق‌تري را نسبت به روش ANN ارائه داده است. در نهايت مدل مربوط به پارامترهاي فرمول بگنولد در روش LSTM با DC=0/900 و RMSE=0/024Kg m-1 s-1 براي داده‌هاي قسمت صحت‌سنجي برترين مدل حاصل از اين تحقيق مي‌باشد و پارامتر قطر متوسط ذرات رسوب (D50) كه پارامتر مشترك سه مدل برتر مي‌باشد مؤثرترين پارامتر در پيش‌بيني بار بستر انتخاب شده است. نتيجه‌گيري: با وجود عملكرد خيلي ضعيف فرمول‌هاي تجربي در پيش‌بيني انتقال رسوب، شبكه‌هاي هوشمند با پارامترهاي ورودي حاصل از فرمول‌هاي تجربي از نتايج مطلوبي برخوردار بوده‌اند. هم چنين شبكه يادگيري عميق LSTM نسبت به شبكه عصبي مصنوعي ANN در پيش‌بيني انتقال بار بستر از كارايي بالاتري برخوردار بوده كه بيانگر اين است كه حفظ حافظه آموزش در طول روند آموزش و اضافه كردن لايه‌هاي تقويتي به شبكه، باعث بهبود عملكرد شبكه شده و دقت شبكه را در آموزش‌هاي بعدي افزايش مي‌دهد.