بررسي تأثير شبكه موجك بر كارايي شبكه عصبي مصنوعي در پيش‌بيني رسوبات سيلابي

معمولاً سهم قابل‌ملاحظه‌اي از خسارت‌هاي ناشي از سيلاب، به رسوبات معلق در جريان سيل و هزينه‌هاي لايروبي ناشي از نشست آن‌ها در مناطق طبيعي، مسكوني و صنعتي برمي‌گردد. ازاين‌رو هنگام وقوع سيلاب علاوه بر پارامتر دبي آب، پايش دبي رسوبات حمل شده در آب نيز بسيار حائز اهميت است. امروزه شبكه‌هاي عصبي مصنوعي به‌خوبي براي پيش بيني سري‌هاي زماني غيرخطي توسعه يافته‌اند، اما ماهيت غيرخطي داده‌هاي رسوب و تأثير گسترده‌اي از عوامل مختلف بر ميزان دبي رسوب، منجر شده تا پيش بيني اين داده‌ها همواره با چالش‌هايي مواجه باشند. تئوري موجك ازجمله روش‌هاي پيش‌پردازشي است كه مي تواند با تجزيه سري‌هاي زماني اصلي به سيگنال‌هاي فرعي منجر به‌وضوح بهتر روابط دروني داده‌هاي غيرخطي گردد. در تحقيق حاضر مقادير داده‌هاي رسوب در دو ايستگاه آبنما و ميناب از حوزه آبخيز رودان هرمزگان قبل از ورود به شبكه عصبي مصنوعي از طريق تبديل موجك به سيگنال‌هاي فرعي شكسته شد و سپس توسط شبكه عصبي مصنوعي فرايند پيش بيني صورت پذيرفت. همچنين به‌منظور بررسي تأثير تبديل موجك در عملكرد مدل شبكه عصبي، نتايج حاصل از اين مدل تركيبي با نتايج به دست آمده از مدل شبكه عصبي منفرد مقايسه گرديد و كارايي آن‌ها با استفاده از روش اعتبارسنجي چندتكه، همبستگي و ريشه ميانگين مربعات خطا مورد ارزيابي قرار گرفت. نتايج حاصله نشان داد شبكه عصبي مصنوعي در دو ايستگاه موردمطالعه به ترتيب با همبستگي 0.89 و 0.68 و شبكه عصبي موجكي با همبستگي 0.9 و 0.8 قادر به شبيه‌سازي ميزان رسوبات هستند. همچنين آماره نرمال شده ريشه ميانگين مربعات خطا به ترتيب در شبكه‌هاي عصبي مصنوعي 0.104 و 0.35 و در شبكه‌هاي تركيبي 0.124 و 0.18 به دست آمد. با توجه به نتايج داده‌ها، تأثير موجك در شناسايي سيگنال‌هاي فرعي و در نتيجه بهبود عملكرد مدل نسبت به شبكه‌هاي عصبي منفرد در پيش‌بيني ميزان رسوبات قابل‌حمل در سيلاب به‌وضوح قابل‌توجه است.