برآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی(مطالعه موردی: استان لرستان)

به منظور اجرای برنامه های حفاظت خاک و کاهش رسوب زایی، همچنین محاسبه و طراحی دقیق حجم مخزن سد در احداث سدهای مخزنی، ضرورت دارد که میزان تولید رسوب در یک حوزه آبخیز، ارزیابی و برآورد گردد. بطورکلی پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل اثرات پارامترهای مختلف، به آسانی میسر نیست. حتی اگر مدلی ریاضی نیز تبیین شود، دسترسی به داده های لازم در اکثر موارد به آسانی امکان پذیر نخواهد بود. با توجه به توانایی های شبکه های عصبی مصنوعی در شناسائی ارتباط بین متغیرهای ورودی و خروجی یک مساله، بدون در نظر گرفتن فیزیک آن مساله و نیز بدلیل ضعف مدل های فیزیکی و ریاضی در مدل کردن فرآیندهای رسوبی، این شبکه ها می ‍ توانند در مدل کردن مساله انتقال رسوب بکار روند. هدف از این مطالعه به دست آوردن الگوریتم مناسب با استفاده از شبکه عصبی پیش خور پس انتشار خطا (Feed-Forward Back propagation)، Fitting و Cascade Forward Back prop به منظور برآورد میزان رسوبات معلق در حوزه لرستان می باشد. به این منظور برای برآورد رسوب، از داده های دبی، بارش و رسوب رودخانه های کاکارضا، دهنو، چم انجیر استان لرستان به صورت ماهانه استفاده شد. لازم به ذکر است که داده های رسوبات معلق در خروجی حوزه (ایستگاه چم انجیر) از پراکنش مناسب تری برخوردار است. از میان سه شبکه مورد استفاده در این مطالعه شبکه fitting به منظور برآورد میزان رسوب مناسب تشخیص داده شد. از بین سیزده الگوریتم مورد استفاده در این مطالعه، TRAINLM به عنوان بهترین الگوریتم با ضریب همبستگی 99/0 R=، 10/0 RMSE=، انتخاب شد.