برآورد رسوب معلق با استفاده از شبكه عصبي و ارزيابي توابع آموزشي (مطالعه موردي: استان لرستان)

(Suspended Sediment Estimation using Neural Network and Algorithms Assessment (Case Study: Lorestan Province

به منظور اجراي برنامههاي حفاظت خاك و كاهش رسوبزايي، همچنين محاسبه و طراحي دقيق حجم مخزن سد در احداث سدهاي مخزني، ضرورت دارد كه ميزان توليد رسوب در يك حوزه آبخيز، ارزيابي و برآورد گردد. بطوركلي پديده فرسايش و انتقال رسوب از پيچيده ترين مسايل هيدروديناميكي است كه تعيين دقيق معادلات حاكم بر آن بدليل اثرات پارامترهاي مختلف، به آساني ميسر نيست. حتي اگر مدلي رياضي نيز تبيين شود، دسترسي به داده هاي لازم در اكثر موارد به آساني امكان پذير نخواهد بود. با توجه به تواناييهاي شبكههاي عصبي مصنوعي در شناسايي ارتباط بين متغيرهاي ورودي و خروجي يك مساله، بدون در نظر گرفتن فيزيك آن مساله و نيز بدليل ضعف مدلهاي فيزيكي و رياضي در مدل كردن فرآيندهاي رسوبي، اين شبكهها مي‍توانند در مدل كردن مساله انتقال رسوب بكار روند. هدف از اين مطالعه به دست آوردن الگوريتم مناسب با استفاده از شبكه عصبي پيش خور پس انتشار خطا (Feed-Forward Back propagation)، Fitting و Cascade Forward Back prop به منظور برآورد ميزان رسوبات معلق در حوزه لرستان ميباشد. به اين منظور براي برآورد رسوب، از داده هاي دبي، بارش و رسوب رودخانههاي كاكارضا، دهنو، چم انجير استان لرستان به صورت ماهانه استفاده شد. لازم به ذكر است كه دادههاي رسوبات معلق در خروجي حوزه (ايستگاه چم انجير) از پراكنش مناسبتري برخوردار است. از ميان سه شبكه مورد استفاده در اين مطالعه شبكه fitting به منظور برآورد ميزان رسوب مناسب تشخيص داده شد. از بين سيزده الگوريتم مورد استفاده در اين مطالعه، TRAINLM به عنوان بهترين الگوريتم با ضريب همبستگي 99/0 R=، 10/0 RMSE=، انتخاب شد.

In purpose to performance programs soil protection and reduce sediment, also calculation and design of dam volume in introduction store dams, have necessity that evaluation and calculated the rate of sediment production in a watershed. Generally erosion and sediment transport is of most complex issues the hydrodynamic that not possible simply, determination equations governing because effects of various parameters. About attention in potential artificial intelligence in identify the relationship between variables input and output of a problem without taking the physics of the problem and because swoon of physical models and mathematical in modeling of sedimentary processes too, can be used in modeling sediment transport problem. The purpose of this study was to obtain suitable algorithms with using of artificial neural networks feed-forward back propagation, fitting and Cascade Forward back prop to intent estimate the sediment rate. In this intent for estimate the amount suspended sediment, used of discharge - precipitation and sediment data monthly. Intransitive of recitation that suspended sediment data in the output (Cham anjir station) is more appropriate of the distribution. Among the three networks used in this study was more appropriate to estimate the amount of sediment fitting network. Thirteen the algorithm used in this study was selected TRAINLM as the best algorithm, with a correlation coefficient R = 0.99, RMSE = 0.01.