گزارش فني: مدل شبكه عصبي مصنوعي پرسپترون چند لايه براي پيش‌بيني دبي روزانه بار معلق رسوب و ارزيابي عوامل موثر در برآورد رسوب

Artificial neural network model of multilayer perceptron for prediction of daily discharge suspended sediment load and assessment of factors affecting sediment estimation

پيش‌­بيني مقدار رسوب در طرح­‌هاي مهندسي منابع آب نظير تأسيسات تنظيم و انحراف جريان و سدهاي مخزني از عوامل مهم در تعيين عمر مفيد و بررسي عملكرد آن­‌ها است. در اين تحقيق مدلي براي تخمين دبي روزانه رسوب، با استفاده از مدل شبكه عصبي پرسپترون چند لايه با الگوريتم يادگيري پس انتشار خطا ارائه شد و عملكرد مدل با مدل رگرسيون غيرخطي چند متغيره و منحني­‌سنجه رسوب در مراحل آموزش و آزمون مقايسه شد. بدين منظور از داده­‌هاي دبي لحظه­‌اي، بارش، شماره روز در سال و دبي آب در روز قبل در محدوده سال­‌هاي 1388-1369 در ايستگاه پل زغال واقع در حوضه رودخانه چالوس استفاده شد. نتايج حاصل از آزمون تركيب­ مختلف مجموعه داده­‌هاي ورودي نشان داد، ابتدا پارامتر دبي لحظه­‌اي، سپس دبي روز قبل و در نهايت عوامل بارش و شماره روز سال به‌ترتيب بيشترين تأثير را در عملكرد مدل دارند، اين نتايج تطابق نسبتا خوبي با نتايج حاصل از آناليز ضرايب استاندارد شده مدل رگرسيوني دارد. براي مقايسه ساختارهاي مختلف شبكه عصبي از معيارهاي ضريب تبيين (R2) و جذر ميانگين مربع خطا (RMSE) استفاده شد. بدين ترتيب با حذف متغير شماره روز سال، بهترين شبكه با ساختار 1-5-3 و مقادير 0.89= R2 و 0.02=RMSE به‌دست آمد. نتايج حاصل از مقايسه مدل­‌ها نشان داد، در مرحله آموزش و آزمون به‌ترتيب روش منحني­‌سنجه و مدل شبكه عصبي بهترين عملكرد را به خود اختصاص داده­‌اند و مدل شبكه عصبي مقدار ضريب همبستگي را تقريباً 16 درصد نسبت به دو روش ديگر افزايش داد. با استفاده از نتايج اين تحقيق، عوامل موثر بر تخمين دبي رسوب شناسايي شده و مي­‌توان در پروژه­‌ها، با صرف وقت و هزينه كمتر برآورد دقيق­‌تري از دبي رسوب داشت.

Prediction of the sediment load in water resources engineering projects such as flow diversion projects and dam construction is important factor for determining their service life. In this study, a model for estimation of daily sediment discharge was proposed using multilayer perceptron Artificial Neural Network (ANN) model with back-propagation learning algorithm. For this purpose, current day’s discharge (Qt), precipitation, number of day in the year (DOY) and previous day’s discharge (Qt-1) data of Zoghal Bridge station (located on Chalus River) from 1990 to 2009 were used for training, verification and test. Results of testing different combinations of input data sets showed that effective parameters of the model performance are current discharge parameter, antecedent discharge, precipitation and DOY, respectively. This results has a relatively good agreement with standardized coefficients of regression model. Coefficient of determination (R2) and Root Mean Square Error (RMSE) were used to compare the different structures of ANN. Therefore, best network with 3-5-1 architecture and the amounts of R2=0.89 and RMSE=0.02 was obtained by elimination of DOY variable. The performance of ANN model in the prediction of sediment discharge was compared with Sediment Rating Curve (SRC) and Multiple Non-Linear Regression (MNLR) model. The results showed, in the training and test steps, SRC method and ANN model have the best performance, respectively. Furthermore, in the test step, the ANN model performed better results compared to two other methods by increasing R2 about 16%. Generally, the proposed ANN model can be estimated sediment discharge by less calculation time and cost and also with more accuracy.