بررسی کارایی مدل‌های مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانه‌ها (مطالعه موردی: استان گیلان)

آگاهی از میزان رسوب معلق رودخانه‌ها یکی از مسائل اساسی در پروژه‌های آبی است که طراحان تاسیسات آبی همواره با آن روبرو بوده‌اند. با توجه به  صرف هزینه و زمان طولانی جهت اندازه‌گیری بار معلق رودخانه‌ها، استفاده از منحنی‌های سنجۀ رسوب معمول‌ترین روش برآورد بار رسوب معلق رودخانه‌ها محسوب می‌گردد. این در حالی است که روش‌های نوین مبتنی بر هوش مصنوعی و داده‌کاوی در بسیاری از  علوم مهندسی رخنه کرده است. بر همین اساس هدف اصلی این تحقیق به چالش کشیدن توانمندی روش کلاسیک برآورد بار معلق در مقایسه با برخی روش‌های نوظهور می‌باشد. ما در این پژوهش شش مدل،k  نزدیک‌ترین همسایه، شبکۀ عصبی پس انتشار خطا،  فرآیند گوسی، درخت تصمیم‌گیری m5، ماشین‌بردار پشتیبان و ماشین‌بردار پشتیبان تکاملی را انتخاب و به مقایسۀ آنها با مدل سنجۀ رسوب در هشت حوزۀ آبخیز واقع در استان گیلان پرداختیم. طول دوره آماری داده‌های ورودی به مدل‌ها به صورت روزانه و 30 ساله در نظر گرفته شد. ارزیابی نتایج حاصله نشان داد مدل فرآیند گوسی در مقایسه با سایر مدل‌ها، با کمترین مجموع مربعات باقیمانده (rmse) (متوسط مجموع مربعات باقی مانده= 37.05 در هشت حوزه) و بیشترین ضریب همبستگی (r) (متوسط ضریب همبستگی 0.72 در هشت حوزه) و با بهترین ضریب ناش ساتکلیف (متوسط 0.66 در هشت حوزه) نسبت به سایر مدل‌ها از کارآیی بیشتری برخوردار است. لذا استفاده از مدل‌های مذکور به جای روش‌های معمول برآورد بار معلق می‌تواند دقت این برآوردها را به میزان قابل ملاحظه‌ای بهبود بخشد.

the use of computational intelligence base models in suspended sediment load estimation (case study: gillan province)

understanding of suspended sediment rate is one of the fundamental problems in water projects which water engineers consistently have involved with it. wrong estimations in sediment transport cause incorrect design and destruction of hydraulic systems. due to the difficulty of suspended sediment measurements, sediment rating curves is considered as the most common method for estimating the suspended sediment load. the main purpose of this research is the capability challenge of this method in comparison to some state of the art models. in this study, we selected some computational intelligence models (i.e. knearest neighbor (knn), artificial neural networks (ann), gaussian processes (gp), decision trees of m5, support vector machine (svm) and evolutionary support vector machine (esvm)) and compared them with their sediment rating model in 8 basins located in gilan province. daily sediment and discharge data considered as the input data for 30years. evaluation of the results indicated that the gaussian process model has the lowest residual sum of squares (rmse) and the highest correlation coefficient (r) than the other models.