مدل‌سازي بار رسوب كل رودخانه‌ها با استفاده از شبكه‌هاي عصبي مصنوعي

Modeling total sediment load in rivers using artificial neural networks

برآورد بار رسوب كل رودخانه ها از مسايل مهم و كاربردي در مديريت و برنامه ريزي منابع آب است. غلظت رسوب مي تواند به روش هاي مستقيم و يا غيرمستقيم محاسبه شود كه معمولاً روش هاي مستقيم پرهزينه و زمان بر هستند. همچنين بار رسوب كل مي تواند به كمك روابط مختلف انتقال رسوب محاسبه شود، ليكن به طور معمول كاربرد اين روابط نياز به شرايط معيني داشته و به علاوه در بيشتر موارد نتايج حاصل از آن ها با يكديگر و با مقادير اندازه گيري شده متفاوت است. هدف از اين پژوهش ارايه روشي بر پايه شبكه هاي عصبي مصنوعي (ANN) در تخمين بار رسوب كل بود. بدين منظور از دو نوع شبكه عصبي پرسپترون چند لايه (MLP) و توابع پايه شعاعي (RBF) و 200 نمونه، استفاده شد. 75 درصد از داده ها براي آموزش و 25 درصد براي آزمون شبكه ها در نظر گرفته شدند. متغيرهاي ورودي مدل ها شامل سرعت متوسط جريان، شيب كف آبراهه، عمق متوسط، عرض آبراهه و قطر ميانه ذرات رسوب و خروجي مدل، غلظت رسوب بود. متغيرهاي ورودي مرحله به مرحله به شبكه ها اضافه شدند و هر بار نتايج ارزيابي شد تا مناسب ترين مدل تعيين شود. سپس نتايج حاصل از مدل هاي ANN با پنج معادله معروف انتقال رسوب مقايسه شدند. شاخص‌هاي آماري نشان داد كه دقت شبكه هاي عصبي به ويژه مدل MLP در تخمين بار رسوب كل با ضريب همبستگي 96/0 بيش از ساير مدل هاست. همچنين مشخص شد كه براي افزايش دقت مدل نياز به آموزش آن با هر دو نوع داده هاي هيدرولوژيك و رسوب است. رابطه Ackersو White در برآورد مقدار بار رسوب كل بسيار بيش برآورد و ساير روابط، كم برآورد بودند. نتايج اين پژوهش نشان داد كه مدل هاي ارايه شده بر پايه شبكه هاي عصبي با مقادير رسوب كل مشاهده شده هم خواني بيشتري دارند و بويژه شبكه MLP مي تواند مقدار رسوب را در نقاط پيك به خوبي برآورد نمايد.

Estimating total sediment load in rivers is an important and practical issue for water resources planning and management. The sediment concentration can be calculated by both direct and indirect measurements, but direct methods are usually costly and time-consuming. Further, total sediment load can be determined by several sediment load transport models. These equations, however, are applicable in certain circumstances, and in most cases the outcomes do not agree with each other and with measured data. The objective of this study was to propose a method based on artificial neural networks (ANN) to predict total sediment load concentration. Consequently, two ANNs including multilayer perceptrone (MLP) and radial basis function (RBF) with 200 data were used for the modeling purposes. For training and testing the ANN models, 75 and 25 percent of data were used, respectively. The input variables were designated to be average flow velocity, average depth, water surface slope, canal width and median particle diameter of sediment, while the models output was total sediment load concentration. The input variables were included to the models step wisely and the results were evaluated to find out the most suitable ANN models. The predicted values were then compared with five known sediment load transport equations. The conducted statistical analyses indicated that ANNs models in particular MLP can provide better prediction for total sediment load with correlation coefficient of 0.96. It was further concluded that to enhance the accuracy of ANN model, training of the network should be accomplished using both hydrological and sediment data. The Ackers and White equation was very overestimating the total sediment load, while all other equations were underestimating. Based on the results obtained in this study, the ANN-based models provide better concurrence with the observed data, particularly MLP network which can reasonably well predict the peak point of total sediment.