ارزيابي كارآيي الگوريتم هاي آموزش شبكه‌هاي عصبي مصنوعي براي برآورد پارامترهاي كيفي آب دشت قروه-دهگلان

چكيدهمقدمه: شبكه عصبي مصنوعي (ANN) يك ابزار قدرتمند داده محور است كه قادراست روابط خطي و غيرخطي حاكم بر سيستم هاي مختلف را فراگيرد. اما هنوز تعيين الگوريتم داراي بهترين عملكرد ازنظر سرعت و دقت همگرايي براي يك مسئله خاص، چالش مهم پيش روي كاربران شبكه هاي عصبي مصنوعي است.روش : در اين پژوهش، توانايي فرآيندهاي پركاربرد طي چند سال اخير در بحث شبيه سازي و تخمين پارامترهاي غيرخطي كيفيت آب بررسي و اثربخش ترين آن ها تعيين گرديد. براي اين منظور، 42 مدل از تركيب توپولوژي شبكه عصبي مصنوعي (تك لايه يا چندلايه)  و فرآيندهاي آموزش بررسي گرديد. پارامترهاي كيفي مشاهده شده در محل 107 چاه  در گستره آبخوان دشت قروه-دهگلان از سال 75 الي 92 جهت آموزش و داده هاي سال هاي 93 تا 95 جهت آزمون هر مدل استفاده شد.يافته ها: نتايج نشان داد كه شبكه هاي عصبي مصنوعي داراي يك لايه پنهان كه از تعداد بهينه نورون بهره مي برند، قادرند رفتار آبخوان را با دقت مطلوب و در مدت‌زمان كمتر شبيه سازي نمايند. همچنين، افزايش تعداد لايه هاي مياني همگام با افزايش دقت پاسخ، نه‌تنها تعداد سلول هاي بهينه شبكه بلكه مدت‌زمان تحليل مساله را افزايش مي دهد. به هرحال، شبكه هاي عصبي مصنوعي مبتني بر روش Broyden-Fletcher-Goldfarb (BFG) از بيشترين كارآيي در شبيه‌سازي رفتار آبخوان برخوردار است، گرچه كارآيي روش Levenberg Marquart (LM) بسيار نزديك به آن است. كارآيي بيشتر BFG نسبت به LM مي‌تواند به دليل برخورداري از ميانگين خطا و انحراف معيار كمتر (به ترتيب برابر 3.46 و 3.09) آن باشد.نتيجه گيري: شبكه هاي عصبي مصنوعي با يك لايه پنهان و تعداد بهينه نورون مي توانند رفتار آبخوان را با دقت مطلوبي شبيه سازي كنند و نسبت به شبكه هاي عصبي مصنوعي متشكل از چندين لايه پنهان كارايي بيشتري دارند.