ارزیابی کارآیی الگوریتم های آموزش شبکه های عصبی مصنوعی برای برآورد پارامترهای کیفی آب دشت قروه-دهگلان

شبکه عصبی مصنوعی (ANN) یک ابزار قدرتمند داده محور است که قادراست روابط خطی و غیرخطی حاکم بر سیستم های مختلف را فراگیرد. اما هنوز تعیین الگوریتم دارای بهترین عملکرد ازنظر سرعت و دقت همگرایی برای یک مسیله خاص، چالش مهم پیش روی کاربران شبکه های عصبی مصنوعی است.

در این پژوهش، توانایی فرآیندهای پرکاربرد طی چند سال اخیر در بحث شبیه سازی و تخمین پارامترهای غیرخطی کیفیت آب بررسی و اثربخش ترین آن ها تعیین گردید. برای این منظور، 42 مدل از ترکیب توپولوژی شبکه عصبی مصنوعی (تک لایه یا چندلایه)  و فرآیندهای آموزش بررسی گردید. پارامترهای کیفی مشاهده شده در محل 107 چاه  در گستره آبخوان دشت قروه-دهگلان از سال 75 الی 92 جهت آموزش و داده های سال های 93 تا 95 جهت آزمون هر مدل استفاده شد.

نتایج نشان داد که شبکه های عصبی مصنوعی دارای یک لایه پنهان که از تعداد بهینه نورون بهره می برند، قادرند رفتار آبخوان را با دقت مطلوب و در مدت زمان کمتر شبیه سازی نمایند. همچنین، افزایش تعداد لایه های میانی همگام با افزایش دقت پاسخ، نه تنها تعداد سلول های بهینه شبکه بلکه مدت زمان تحلیل مساله را افزایش می دهد. به هرحال، شبکه های عصبی مصنوعی مبتنی بر روش Broyden-Fletcher-Goldfarb (BFG) از بیشترین کارآیی در شبیه سازی رفتار آبخوان برخوردار است، گرچه کارآیی روش Levenberg Marquart (LM) بسیار نزدیک به آن است. کارآیی بیشتر BFG نسبت به LM می تواند به دلیل برخورداری از میانگین خطا و انحراف معیار کمتر (به ترتیب برابر 46/3 و 09/3) آن باشد.

شبکه های عصبی مصنوعی با یک لایه پنهان و تعداد بهینه نورون می توانند رفتار آبخوان را با دقت مطلوبی شبیه سازی کنند و نسبت به شبکه های عصبی مصنوعی متشکل از چندین لایه پنهان کارایی بیشتری دارند.