مقايسه مدلسازي بار رسوب كل رودخانهها با استفاده از برنامه نويسي ژنتيك و شبكه عصبي مصنوعي

Comparing modeling of river sediment using genetic programing and artificial neural

برآورد بار رسوب كل رودخانه­ها يكي از مسائل مهم و كاربردي در مديريت و برنامه­ريزي منابع آب است. ليكن ماهيت چندبعدي و وابستگي غيرخطي متغيرها با يكديگر مسئله اي چالش برانگيز در مدلسازي انتقال بار رسوب رودخانه است. بار رسوب مي­تواند به كمك روابط مختلف محاسبه شود. هدف از اين پژوهش مقايسه دو روش شبكه­هاي عصبي مصنوعي (ANN) و برنامه نويسيس ژنتيك در تخمين بار رسوب كل بود. بدين منظور از دو نوع شبكه عصبي پرسپترون چند لايه (MLP) و توابع پايه شعاعي (RBF) در روش شبكه هاي عصبي مصنوعي استفاده شد. به همين منظور از 200 نمونه، استفاده شد. 75 درصد از داده­ها براي آموزش و 25 درصد براي آزمون شبكه­ها در نظر گرفته شدند. متغيرهاي سرعت جريان، عرض كانال، عمق جريان، شيب خط انرژي و قطر ميانه اندازه ذرات به عنوان ورودي مدل و غلظت رسوب كل به عنوان خروجي مدل در نظر گرفته شدند. نتايج نشان داد كه شبكه­هاي عصبي به­ويژه مدل MLP با ضريب همبستگي 96/0 و RMSE 87/0، در مقايسه با مدل طراحي شده الگوريتم ژنتيك با ضريب تبيين90/0 و RMSE برابر با 42/0، غلظت رسوب كل را با دقت مطلوب تري برآورد مي نمايد..

Estimating total sediment load in rivers is an important and practical issue in water resources planning and management. Multi-dimensional nature and Non-linear dependency of variables are challenging issuein sediment transport modeling.The sediment concentration can be calculated by using different relationships. The objective of this study was comparing two methods of artificial neural network (ANN) and genetic programming to estimate the total sediment load.Therefore, Multilayerperceptron(MLP) model and and 200 data were used for modeling. 75 and 25 percent of data were used for training and testing the models, respectively. Input variables includes: average flow velocity, average depth, water surface slope, canal width and median particle diameter of sediment and output of the models were total sediment load concentration. the results showed thatANNs especially MLP with correlationcoefficient and RMSE equal to 0.96 and 0.87, respectivelycalculated the total sediment concentration with with better accuracycomparison withgenetic programing by0.90 correlation coefficient and 0.42 RMSE.