پیش‎بینی توزیع غلظت رسوبات معلق با استفاده از مدل شبکه عصبی مصنوعی

در هیدرولیک رسوب، برآورد صحیح غلظت رسوب معلق از جهات مختلف مانند تخمین دبی رسوب عبوری، جانمایی سازه های هیدرولیکی و غیره مهم می باشد. با توجه به اهمیت موضوع، در این مطالعه برای مدلسازی و پیش‎بینی غلظت رسوب رودخانه کارون از شبکه عصبی مصنوعی پرسپترون چند لایه(ann/mlp) استفاده شد. بدین منظور از 125 سری داده صحرایی اندازه گیری شده شامل غلظت نزدیک کف، سرعت نقطه ای، نزدیکترین فاصله از ساحل، عمق کل جریان و عمق نقطه ای جریان استفاده شد. کارایی مدل‎ مورد استفاده با استفاده از پارامترهای آماری مانند ضریب تبیین(r2) و ریشه میانگین مجذور خطا، میانگین خطای مطلق(rmse)مورد ارزیابی قرار گرفت. نتایج این پژوهش نشان داد، مدل mlp با یک لایه میانی، تابع سیگمویید و 5 نرون، بهترین ساختار را در مدلسازی غلظت رسوب رودخانه کارون داشته‌اند. مقدار ضریب تبیین(r2) و خطای ریشه میانگین مربعات خطا(rmse) برابر 0.953 و 63.37 میلی گرم بر لیتر به ترتیب در مرحله آموزش و0.752 و 203.02 میلی گرم بر لیتر در مرحله صحت‎سنجی بوده است. همچنین آنالیز حساسیت انجام شده بر روی پارامترهای ورودی مدل نشان می‌دهد کمترین و بیشترین تاثیر را دو پارامتر فاصله از ساحل و عمق جریان در یادگیری شبکه عصبی مصنوعی داشتند.

Prediction of suspended sediment distribution of Karoon River using artificial neural network

Accurate estimation of sediment concentrations in hydraulic sediment transport from different viewpoint such as sediment discharge estimation of river, selection of hydraulic structures and etc. are important. With respect to importance of this issue in this study for prediction of sediment concentration of Karun river multilayer perceptron artificial neural network (ANN / MLP) was used.For this purpose 125 field data including bottom concentration, flow velocity, nearest distance from the beach, and thetotal depth of flow and flow depth was used.Three statistical metrics namely mean absolute error (MAE), root mean square error (RMSE) and coefficient of determination (R2) were used to evaluate the performance of ANN model. The result shows that MLP model with one hidden layer, Sigmoid transfer function and 5 neurons have best structure in the modeling of sediment concentration of Kroon River. The R2 and RMSE value is equal to 0.953 and 63.37 mg/l in training stage and 0.752 and 203.02 mg/l in testing stage, respectively. Finally, the sensitive analysis also showed that the nearest distance from the beachand flow depth had the most and the least effect on the sediment concentration, respectively.