قابليت شبكه هاي عصبي مصنوعي جهت مدل سازي چند ايستگاهه بار معلق در مقايسه با روش منحني سنجه رسوب

Artificial Neural Networks Potential in Multi-Station Modeling of Suspended Load in Comparsion with Sediment Rating Curve Method

رسوبات حمل شده توسط رودخانه مي‌تواند باعث بوجود آمدن خساراتي به اراضي كشاورزي و تاسيسات آبي گردد. برآورد صحيح بار رسوب در تاسيسات آبي مانند سدها باعث جلوگيري از صرف هزينه‌هاي اضافي خواهد شد. كشور ما ايران با دارا بودن رودخانه‌هاي متعدد، پتانسيل بالايي جهت ايجاد سد دارد. يكي از دلايل آن كاهش يافتن ظرفيت انتقال آب توسط مقطع رودخانه به دليل انباشتگي رسوبات مي‌باشد. لذا بررسي پديده رسوب و برآورد رسوب حمل شده توسط رودخانه اهميت خاصي دارد. در اين راستا تخمين بار معلق رسوب، توجه مدل‌ساز‌هاي شبكه‌هاي عصبي مصنوعي را به خود معطوف كرده است. در اين تحقيق از شبكه هاي عصبي مصنوعي براي برآورد رسوب ايستگاه آخولا واقع بر روي رودخانه آجي چاي در استان آذربايجان شرقي استفاده شد. اطلاعات اين ايستگاه شامل دبي و رسوب روزانه مي باشد. در مراحل مختلف برآورد اثر تركيبي عوامل مختلف دبي آب و دبي رسوب در كارايي شبكه، مورد بررسي قرار گرفت. به منظور بررسي تاثير رسوب و دبي ايستگاه هاي بالادست، علاوه بر داده‌هاي ايستگاه آخولا از داده‌هاي ايستگاه‌هاي ونيار و مركيد نيز براي آموزش شبكه عصبي بكار رفت كه بهترين نتيجه را در پي داشت. از روش كلاسيك منحني سنجه نيز براي برآورد رسوب اين ايستگاه استفاده گرديد. براي بهينه‌سازي ضرايب رگرسيوني منحني سنجه از الگوريتم ژنتيك استفاده شد و البته نتايج بهتري نسبت به روش كلاسيك نداد. با توجه به نتايج بدست آمده تخمين با رسوب در چند ايستگاه با استفاده از شبكه‌هاي عصبي، كارآيي بهتري داشت.

Sediments transported by river may cause damages to cultivated land and hydraulic structures. Accurate estimation of sediment load for hydraulic structures (e.g. dam) can prevent extra costs. Because of the existence of many rivers, our country, Iran, has high potential for dam construction. On the other hand, flood disaster causes huge damage every year. The main reason for magnifying the effects of this disaster can be related to the reduction of water conveyance capacity of the rivers because of sediment deposition. Therefore, the correct estimation of the transported sediment will be highly important. Prediction of the suspended sediment load can be accomplished by the Artificial Neural Networks (ANNs). In this study, ANNs are used to estimate suspended sediment load in Akhola station, located on the Ajichay River in East Azarbaijan, Iran. The available data for this station were daily discharge and sediment load The ANN sensivity for these parameters was examined in the modeling. In order to evaluate the effect of the upstream stations load, the data of Markid and Vanyar stations were also used to train the network, which led to more accurate result. The classic rating curve method was also used to estimate the sediment load at this station. To optimize the coefficients of the rating curve, the genetic algorithm was employed, its result of caerse did not show superiority on the classic optimization method. Regarding these results, multi-station estimation using ANNs has better efficiency.