شبیه‌سازی بار رسوب معلق با استفاده از روش‌های شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزه آبخیز هلیل‌رود

در کشورهای در حال توسعه، به‌علت مشکلات مالی و فنی به‌طور معمول داده‌ های رسوب اندکی اندازه‌گیری می ‌شوند، لذا، مدلی که بتواند با استفاده از داده ‌های دبی آب، میزان بار رسوبی را برآورد کند، می تواند گزینه قابل اطمینانی باشد. با توجه به کاربرد انواع مدل ‌ها در پیش‌ بینی رسوب، این تحقیق با هدف ارائه مدل بهینه برآورد میزان رسوب معلق بر اساس دبی جریان بر روی ایستگاه ‌های هیدرومتری بالادست رودخانه هلیل ‌رود شامل ایستگاه ‌های هیدرومتری پل بافت، سلطانی، هنجان، چشمه عروس، میدان و کناروئیه انجام شد. در این راستا، کارایی انواع مدل ‌های مختلف منحنی سنجه رسوب شامل مدل ‌های یک خطی، دو خطی، روش حد وسط دسته‌ ها به تنهایی و نیز با ضرایب اصلاحی cf1،cf2 و fao و مدل‌ های جعبه سیاه شامل شبکه عصبی مصنوعی و سامانه استنتاج عصبی-فازی در شبیه‌سازی رسوب معلق مورد ارزیابی قرار گرفتند. نتایج حاصل از ارزیابی این مدل‌ ها با استفاده از پارامترهای ارزیابی mae و rmse با استفاده از داده ‌های آزمون، حاکی از آن است که مدل ‌های عصبی-فازی در عمده ایستگاه ‌های هیدرومتری مورد مطالعه، شامل پل بافت، هنجان و کناروئیه با میزان mae برابر 35.07، 11958.74 و 34235.27 و rmse به‌ترتیب برابر 42.07، 28672.78 و 52735.92 تن در روز به‌عنوان بهترین روش برای شبیه‌ سازی میزان بار رسوب معلق به‌شمار می‌آیند. همچنین، مدل شبکه عصبی مصنوعی تابع پایه شعاعی در ایستگاه هیدرومتری میدان با میزان mae برابر 384.83 و rmse برابر 669 تن در روز، روش منحنی سنجه رسوب دو خطی در ایستگاه چشمه عروس با میزان mae و rmse به‌ترتیب 1.7 و 4.1 تن در روز و روش منحنی سنجه یک خطی با اعمال ضریب اصلاحی cf1 با mae و rmse برابر 9723.2 و 41235.6 تن در روز در ایستگاه هیدرومتری سلطانی به‌عنوان بهترین مد‌ل ‌ها برای شبیه‌سازی میزان رسوب معلق می‌ باشند.

The suspended sediment load modeling by artificial neural networks, neuralfuzzy and rating curve in Hlilrood watershed

With regard to financial and technical problems normally measured sediment data are limited in developing countries; therefore a model that uses water discharge data as input can be a reliable option for estimates of sediment. Due to widely application of the variety of models to predict the suspended sediment, this study aims to determine optimal prediction model based on the amount of discharge flow gauging stations of Halilrood River including, Soltani, Henjan, Cheshmeh Aroos, Meydan and Konaruiyeh. In this regard, efficiency of some rating curves models including onelinear, twolinear and the intermediate categories ones (by and without coefficients as CF1, CF2 and FAO) and black box models including artificial neural networks and neuralfuzzy in modeling sediment were evaluated. The results of the evaluation of the model using the parameters of MAE and RMSE showed that neurofuzzy models in major hydrometric stations studied, including Pole Baft, Henjan and Konaruiyeh with an equivalent amounts of 35.07, 11958.74 and 34235.27 ton/day for MAE and 42.07, 28672.78 and 52735.92 ton/day for RMSE, respectively are the best models to simulate the suspended sediment. The artificial neural network model of radial basis function in Meydan with 384.83 ton/day MAE and 669 ton/day RMSE amounts is the optimal model. Also twolinear sediment rating curve resulted the best simulation in Cheshmeh Aroos Station with MAE and RMSE as 1.7 and 4.1 ton/day and onelinear sediment rating curve with CF1 correction in Soltani Station with MAE and RMSE 9723.2 and 41235.6 ton/day, respectively are the best. According to changes of efficiency of models with varying location of gauging stations, it can be concluded that ecological conditions and statistical community determine the optimal model of the suspended sediment simulation.