بررسي دقت شبكه پرسپترون چندلايه و تابع پايه شعاعي در برآورد ميزان رسوب رودخانه (مطالعه موردي: زاينده رود)

زمينه و هدف: تخمين ميزان رسوب به وسيله رودخانه يكي از مسائلي هست كه مورد توجه محققان بسياري از گذشته تاكنون قرار گرفته است. كاهش ظرفيت مخزن سد به وسيله رسوبات، اثرات مختلفي بر روي بخشهاي مختلف گذاشته و سبب اثرات نامطلوب در حقابه هايي مي شود كه در بدو امر مورد توافق قرار گرفته اند كه عواقب اقتصادي و خاص خود را خواهد دارد.  هدف از اين تحقيق بررسي ميزان رسوب رودخانه با توجه به الگوريتم هاي شبكه عصبي و با استفاده از فرمول هاي تجربي موجود و همچنين روش هاي جديد موسوم به جعبه ي سياه مي باشد. روش و بررسي: به منظور تخمين ميزان رسوب از اطلاعات دبي سال هاي 1349 تا 1390 مربوط به رودخانه زاينده رود در ايستگاه اسكندري كه يكي از ايستگاههاي اندازه گيري هاي هيدرولوژيكي ميباشد استفاده شده است. بدين منظور از دبي آب به عنوان ورودي و دبي رسوب به عنوان خروجي استفاده شده است. يافته ها:  از نتايج به دست آمده، اين گونه استنباط مي شود كه شبكه RBF به دليل داشتن خطاي كمتر در مرحله آزمون داراي عملكرد بهتري است، اما با در نظر گرفتن ساير پارامترها و همچنين ميزان خطا در مرحله ي TRAIN به نظر مي رسد شبكه MLP داراي عملكرد بهتري است. بحث و نتيجه گيري: در نهايت بعد از مدل سازي با استفاده از شبكه هاي عصبي و رابطه انيشتين و منحني سنجه رسوب، اين نتيجه بدست آمده است كه براي  تخمين ميزان رسوب مي توان به شبكه هاي عصبي اعتماد بيشتري داشت.