برآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی (مطالعه موردی: استان لرستان)

به منظور اجرای برنامه های حفاظت خاک و کاهش رسوب زایی، همچنین محاسبه و طراحی دقیق حجم مخزن سد در احداث سدهای مخزنی، ضرورت دارد که میزان تولید رسوب در یک حوزه آبخیز، ارزیابی و برآورد گردد. بطورکلی پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل اثرات پارامترهای مختلف، به آسانی میسر نیست. حتی اگر مدلی ریاضی نیز تبیین شود، دسترسی به داده های لازم در اکثر موارد به آسانی امکان پذیر نخواهد بود. با توجه به توانایی های شبکه های عصبی مصنوعی در شناسائی ارتباط بین متغیرهای ورودی و خروجی یک مساله، بدون در نظر گرفتن فیزیک آن مساله و نیز بدلیل ضعف مدل های فیزیکی و ریاضی در مدل کردن فرآیندهای رسوبی، این شبکه ها می توانند در مدل کردن مساله انتقال رسوب بکار روند. هدف از این مطالعه به دست آوردن الگوریتم مناسب با استفاده از شبکه عصبی پیش خور پس انتشار خطا ( feedforward back propagation )، fitting و cascade forward back prop به منظور برآورد میزان رسوبات معلق در حوزه لرستان می باشد. به این منظور برای برآورد رسوب، از داده های دبی، بارش و رسوب رودخانه های کاکارضا، دهنو، چم انجیر استان لرستان به صورت ماهانه استفاده شد. لازم به ذکر است که داده های رسوبات معلق در خروجی حوزه (ایستگاه چم انجیر) از پراکنش مناسب تری برخوردار است. از میان سه شبکه مورد استفاده در این مطالعه شبکه fitting به منظور برآورد میزان رسوب مناسب تشخیص داده شد. از بین سیزده الگوریتم مورد استفاده در این مطالعه، trainlm به عنوان بهترین الگوریتم با ضریب همبستگی 0.99 =r ، 0.10 =rmse ، انتخاب شد.

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

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 feedforward 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.