مدل سازی تخمین میزان رسوب رودخانه به کمک روش شبکه عصبی مصنوعی (نمونه موردی: رودخانه گلرود)

رسوبات رودخانه ای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت می باشند که به آنها مواد رسوبی معلق گفته می شود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند، یا اینکه به یکی از صور لغزش، غلتیدن، پرش حرکت مینمایند که به آنها بار بستر می گویند. شبکه عصبی مصنوعی روشی است که بر پایه شبیه سازی عملکرد مغز انسان برای حل مسایل متنوع ارایه و از لایه های نرون ورودی، خروجی و میانی و وزنهای مربوط به مقادیر ورودی و بایاس و تابع تحریک تشکیل شده است. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه گلرود است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی ست. بدین صورت که، ابتدا مشخصات زیرحوضه های این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضه ها از جمله مساحت، محیط و طول آبراهه ها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روش های رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) و شبکه عصبی برپایه تابع شعاعی (RBF) به مدل سازی تخمین رسوب پرداخته شده است. پس از محاسبه شاخص های RMSE و MAE با توجه به این امر که هرچقدر میزان این شاخص ها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعی MLP دقت بهتری را نسبت به دو مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص R2 که برای سه مدل محاسبه شده است دقت تخمین مدل به مقدار 0. 409 برای مدل MLP محاسبه شده است، مقدار R2 برای این مدل برابر 0. 88 است. پس از مدل شبکه عصبی مصنوعی MLP، مدل شبکه مصنوعی RBF نتایج بهتری ارائه می دهد. در این مدل مقدار R2 برابر است با 0. 4 که نشان دهنده دقت تخمین حدود نصف مدل MLP است. و در رتبه سوم نیز مدل رگرسیون خطی چند متغیره با مقدار R2 برابر با 0. 3 قرار دارد. مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیر ها را در نظر می گیرد دارد بیشترین میزان خطا است.