ارزیابی عملکرد شبکه عصبی مصنوعی در پیش بینی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام

در این تحقیق از مدل شبکه عصبی پرسپترون چند لایه(MLP-NN) برای شبیه سازی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام استفاده شد. مدل شبکه عصبی با استفاده از داده های آزمایشگاهی سه زیرحوضه سد ایلام در سال های 89-1388 طراحی گردید. متغیرهای ورودی شبکه عصبی برای مدل سازی اکسیژن محلول شامل اسیدیته آب، هدایت الکتریکی، کل جامدات معلق، دما، فسفر کل، سولفات، آمونیوم، آهن و نیتروژن کل بودند. متغیرهای ورودی برای شبکه عصبی برای مدل سازی فسفر کل شامل فسفات و دما است که در یک نقطه در نزدیکی محل بدنه سد و در عمق های مختلف اندازه گیری شده اند. عملکرد مدل ها با استفاده از شاخص های ضریب تبیین (R2)، خطای نسبی و مجموع مربعات خطا(SSE) ارزیابی شد. با توجه به نتایج شبکه عصبی تمامی متغیرهای در نظر گرفته شده بر روی مدل سازی اکسیژن محلول موثر بوده و موثرترین پارامتر میزان کل جامدات معلق بود. در مدل سازی فسفر کل نیز فسفات موثرتر از دما بود. ضریب تبیین به دست آمده بین مقادیر شبکه عصبی و مقادیر اندازه گیری شده برای اکسیژن محلول813/0 و برای فسفر کل 940/0 بود. در ادامه، نتایج حاصل از مدل های شبکه عصبی با نتایج حاصل از مدل دوبعدی متوسط گیری شده عرضی CE-QUAL-W2 مقایسه شده است. براساس نتایج، مدل پرسپترون چند لایه (MLP) در پیش بینی متغیرهای کیفیت آب دقت بالاتری را نسبت به مدل عددی نشان داد. نتایج همچنین نشان داد که شبکه عصبی قادر به پیش بینی تغذیه گرایی با دقت قابل قبولی است و می توان از آن به عنوان یک ابزار مفید برای مدیریت کیفی آب مخازن استفاده نمود.