پيش‌بيني ضريب انتشار طولي در رودخانه‌هاي طبيعي با مدل توسعه يافته شبكه عصبي

Predicting the Longitudinal Dispersion Coefficient in Natural Streams Using Developed Artificial Neural Network Model

هدف اصلي اين مقاله پيش‌بيني ضريب انتشار طولي در رودخانه‌هاي طبيعي با استفاده از مدل توسعه داده شده شبكه عصبي مصنوعي بر مبناي توابع آموزش شبه-نيوتني بود. به اين منظور از اطلاعات هيدروليكي و هندسه جريان استفاده گرديد. مجموع كل اطلاعات مورد استفاده در اين تحقيق، 100 سري داده بود كه به سه دسته آموزش، دسته نظارت بر آموزش و دسته آزمايش تقسيم شد. در اين تحقيق، ابتدا با ديدي انتقادي به مرور برخي از مهم‌ترين تحقيقات انجام گرفته در اين زمينه پرداخته شد كه نتيجه آن نمايان ساختن اشكالات موجود در برخي از اين مطالعات بود. در گام بعدي به‌منظور ارايه مدلي كه قادر به مدل‌سازي ضريب انتشار طولي در رودخانه‌هاي طبيعي باشد، رويكردي جديد از شبكه عصبي بر مبناي توابع آموزش شبه-نيوتني كه كمتر مورد توجه محققان بوده، معرفي شد. در نهايت نيز با بررسي نقش اين دسته از توابع آموزش بر عملكرد شبكه، بهترين ساختار شبكه براي اين منظور پيشنهاد گرديد. نتايج به‌دست آمده از اين تحقيق بيانگر دقت قابل قبول مدل پيشنهادي بود به‌طوري كه مقادير ضريب تعيين و ميانگين قدرمطلق خطا براي مرحله آزمايش به‌ترتيب معادل 85/0 و 53 بود.

The main objective of the present work is to predict the longitudinal dispersion coefficient in natural streams using a neural network (NN) model which was developed based on Quasi-Newton training functions. For this reason, we used the hydraulic and geometric data easily obtained in natural streams. A total number of 100 data sets was used which were split into three subsets: training, validation, and testing sets.The most cited literature in the field was first reviewed in an attempt to identify possible deficiencies and inadequacies in previous studies. In a second stage, a new approach less commonly used by researchers, i.e. the NN model based on Quasi-Newton training functions, was employed for predicting the longitudinal dispersion coefficient in natural streams. Finally, the effect of Quasi-Newton training function on the performance of the NN model was investigated and the best architecture was selected for the model developed. The results obtained in this study showed that the proposed model enjoys a satisfactory level of accuracy. The two statistics of the model, i.e. determination coefficient and mean absolute error in testing step, were found to be equal to 0.85 and 53, respectively.