تخمين رسوب معلق رودخانه بهشت آباد با استفاده از شبكه عصبي مصنوعي

Estiamtion of Suspended Sediment Load in Behesht Abad River by Using Artifitial Neural Network

چكيده 1 وجود پارامترهاي موثر زياد و همچنين دامنه وسيع تغييرات غلظت بار معلق، استفاده از روش هاي موجود مانند منحني هاي سنجه رسوب را محدود، و لزوم استفاده از روش هاي نوين مانند شبكه هاي عصبي مصنوعي را ايجاب مي كند. بنابراين در اين پژوهش از سه تركيب مختلف ورودي براي تخمين دبي بار معلق رسوب استفاده گرديد. در حالت اول همانند روش منحني سنجه رسوب، دبي بار معلق رسوب تنها تابعي از دبي جريان همان روز در نظر گرفته شد. در حالت دوم دبي بار معلق رسوب علاوه بر دبي جريان همان روز، تابعي از دبي جريان روز قبل نيز در نظر گرفته شد. در نهايت در حالت سوم دبي بار معلق رسوب علاوه بر دبي جريان همان روز، تابعي از دبي جريان روز قبل و دو روز قبل نيز در نظر گرفته شد و تخمين آنها با نتايج منحني سنجه مقايسه گرديد. نتايج نشان داد كه روش 0 از دقت بالاتري نسبت به / 0، مربع خطاي متوسط 001 / شبكه عصبي مصنوعي با ضريب تبيين 98 0 براي تخمين بار معلق / 0 و مربع خطاي متوسط 043 / روش منحني سنجه با ضريب تبيين 778 رسوب رودخانه بهشت آباد از سرشاخه هاي رودخانه كارون برخوردار بود. واژه هاي كليدي: بار معلق، شبكه عصبي مصنوعي، پرسپترون، پس انتشار خطا، حوزه آبخيز بهشت آباد

Abstract1 Existence of many effective parameters and the variation range of suspended sediment load cause low accuracy of sediment rating curve. So the novel approaches such as artificial neural networks since it consider many independent variables are suitable. In this study, three various cases were used for estimation of suspended sediment load. In the first case, as compared with sediment rating curve, the suspended sediment discharge was considered as a function of flow discharge. In second cases the suspended sediment discharge was considered as a function of water discharge in mentioned time and water discharge occurred one day before. In third case the suspended sediment discharge was considered as a function of water discharge in mentioned time and water discharge occurred respectively one, two days before. The results showed that the artificial neural networks with (R2=0.979, MSE=0.0011) can be used for estimation of suspended sediment load in comparison with sediment rating curve approach with (R2=0.778, MSE=0.043). Keywords: Suspension load, Artificial neural networks, Perceptron, Back propagation, Behesht Abad watershed