بهبود کارائی مدل شبکه عصبی مصنوعی در شبیه سازی رسوب معلق با استفاده از الگوریتم بهینه سازی ازدحام ذرات

برآورد صحیح مقدار رسوب معلق رودخانه ها، نقش مهمی در مطالعات فرسایش و رسوب، هیدرولوژی و مدیریت حوزه های آبخیز دارد. شبیه سازی رسوب معلق در سیستم های هیدرولوژیکی که دارای پیچیدگی های زیاد بوده و درعین حال درک و دانش ما از اجزاء و فرآیندهای درون آن ها همواره با عدم قطعیت روبرو است سبب کاربرد فراوان مدل های هوشمند و از جمله شبکه های عصبی مصنوعی شده است. با این حال، استفاده از این مدل های هوشمند نیز با چالش روبرو است. تعیین ساختار مناسب شبکه مستلزم بهینه نمودن پارامترهای مورداستفاده در آن (نظیر تعداد بهینه نرون ها و لایه ها، وزن و بایاس و نوع توابع فعال سازی) بوده که واسنجی مناسب آن ها به روش آزمون و خطا، ضمن کارایی کم، منجر به صرف زمان زیاد می شود. در پژوهش حاضر، به منظور شبیه سازی بار رسوب معلق روزانه رودخانه نیرچای)در محل ایستگاه آب سنجی نیر در استان اردبیل) از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به منظور آموزش مدل شبکه عصبی، علاوه بر روش مرسوم پس انتشار خطا، از الگوریتم بهینه سازی ازدحام ذرات (Particle Swarm Optimization (PSO))، به منظور بهینه سازی مقادیر وزن و بایاس نرون های مدل های شبکه عصبی استفاده گردید. به منظور افزایش قدرت تعمیم دهی مدل ها، از خوشه بندی فازی استفاده شد. نتایج گرفته شده از پژوهش حاضر نشان داد که آموزش مدل های شبکه عصبی با الگوریتم PSO با کاهش خطای برآورد رسوب (کاهش خطای برآورد کل و ریشه میانگین مربعات خطا به ترتیب تا 3/0 درصد و 4/10 تن در روز) کارایی بیشتری نسبت به مدل های شبکه عصبی که صرفا از روش های پس انتشار خطا استفاده می نمایند داشته است. با توجه به اینکه در بهینه سازی پارامترهای شبکه عصبی، الگوریتمهای تکاملی (نظیر الگوریتم PSO) قادر به ارایه راهحلهای مناسبی هستند ، لذا در شبیه سازی پدیده ها و متغیرهای پیچیده حوزه های آبخیز (نظیر رسوب معلق) می توان از این توانمندی استفاده نمود.