پيش‌بيني بار معلق رودخانه‌اي با استفاده از شبكه عصبي مصنوعي و الگوريتم‌ ژنتيك مرتب‌سازي غيرغالب

اطلاع از ميزان فرسايش خاك و توليد رسوب، ويژگي‌هاي هواشناسي، ويژگي‌هاي هيدرولوژيكي رودخانه همانند دبي و همچنين عوامل انساني، غالباً بسيار پيچيده، غير‌قطعي و غيرخطي مي‌باشند. لذا بكارگيري الگوريتم‌هاي هوش ماشيني (نظير الگوريتم‌هاي يادگيري ماشين) گزينه مناسبي در شبيه‌سازي و پيش‌بيني متغيرهاي كيفي آب رودخانه نظير بار معلق تلقي مي‌شود. هدف پژوهش حاضر، ارائه يك روش پيشنهادي برمبناي شبكه عصبي مصنوعي پرسپترون چندلايه و الگوريتم ژنتيك مرتب‌سازي غيرغالب براي پيش‌بيني بار معلق رودخانه‌اي مي‌باشد. در روش پيشنهادي به منظور آموزش شبكه عصبي مصنوعي پرسپترون چندلايه از روش پس‌انتشار خطا و تعيين وزن بهينه براي نرون‌ها از  الگوريتم ژنتيك مرتب‌سازي غيرغالب استفاده شد. در اين مطالعه از بار معلق ايستگاه تيل‌آباد واقع در رودخانه گرگان‌رود طي سال‌هاي 94-1361 به‌عنوان مطالعه موردي استفاده شد. نتايج نشان داد كه روش پيشنهادي در مقايسه با شبكه عصبي مصنوعي چندلايه داراي ضريب همبستگي بالاتري است و مقدار R^2 به‌ترتيب برابر با 0.6728 و 0.4372 بدست آمد.  مقدار RMSE در روش پيشنهادي و شبكه عصبي مصنوعي چندلايه برمبناي الگوريتم پس‌انتشار به ترتيب برابر با 4.7225 و 8.0548 بدست آمده است. مقدار NSE نيز در روش پيشنهادي و شبكه عصبي مصنوعي چندلايه برمبناي الگوريتم پس‌انتشار به ترتيب برابر با 0.4321 و 0.2941 بدست آمده است. لذا در روش پيشنهادي، الگوريتم‌ ژنتيك مرتب‌سازي غيرغالب باعث شده كه شبكه عصبي مصنوعي چندلايه بهبود خوبي داشته باشد. نتايج حاصله نشان داد كه روش پيشنهادي داراي دقت خوبي در پيش‌بيني بار معلق بوده است. روش پيشنهادي با الگوريتم آموزشي پس‌انتشار داراي عملكرد بهتري در مقايسه با الگوريتم آموزشي گراديان نزولي و بيزين بوده است.