بهبود کارائی مدل شبکه عصبی مصنوعی در شبیه‌سازی رسوب معلق با استفاده از الگوریتم بهینه سازی ازدحام ذرات

برآورد صحیح مقدار رسوب معلق رودخانه‌ها، نقش مهمی در مطالعات فرسایش و رسوب، هیدرولوژی و مدیریت حوزه‌های آبخیز دارد. شبیه‌سازی رسوب معلق در سیستم‌های هیدرولوژیکی که دارای پیچیدگی‌های زیاد بوده و درعین‌حال درک و دانش ما از اجزاء و فرآیندهای درون آن‌ها همواره با عدم قطعیت روبرو است سبب کاربرد فراوان مدل‌های هوشمند و از جمله شبکه‌های عصبی مصنوعی شده است. با این حال، استفاده از این مدل‌های هوشمند نیز با چالش روبرو است. تعیین ساختار مناسب شبکه مستلزم بهینه نمودن پارامترهای مورداستفاده در آن (نظیر تعداد بهینه نرون‌ها و لایه‌ها، وزن و بایاس و نوع توابع فعال‌سازی) بوده که واسنجی مناسب آن‌ها به روش آزمون و خطا، ضمن کارایی کم، منجر به صرف زمان زیاد می‌شود. در پژوهش حاضر، به منظور شبیه‌سازی بار رسوب معلق روزانه رودخانه‌ نیرچای )در محل ایستگاه‌ آب سنجی نیر در استان اردبیل) از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به منظور آموزش مدل شبکه عصبی، علاوه بر روش مرسوم پس انتشار خطا، از الگوریتم بهینه‌سازی ازدحام ذرات (particle swarm optimization (pso))، به منظور بهینه‌سازی مقادیر وزن و بایاس نرون‌های مدل‌های شبکه عصبی استفاده گردید. به منظور افزایش قدرت تعمیم دهی مدل‌ها، از خوشه‌‌‌‌بندی فازی استفاده شد. نتایج گرفته‌شده از پژوهش حاضر نشان داد که آموزش مدل‌های شبکه عصبی با الگوریتم pso با کاهش خطای برآورد رسوب (کاهش خطای برآورد کل و ریشه میانگین مربعات خطا به ترتیب تا 0.3 درصد و 10.4 تن در روز) کارایی بیشتری نسبت به مدل‌های شبکه عصبی که صرفاً از روش‌های ‌پس انتشار خطا استفاده می‌نمایند داشته است. با توجه به اینکه در بهینه‌سازی پارامترهای شبکه عصبی، الگوریتمهای تکاملی (نظیر الگوریتم pso) قادر به ارائه راه حلهای مناسبی هستند ، لذا در شبیه‌سازی پدیده ها و متغیرهای پیچیده حوزه های آبخیز (نظیر رسوب معلق) می‌توان از این توانمندی استفاده نمود.

Improvement of the efficiency of artificial neural network model in suspended sediment simulation using particle swarm optimization algorithm

The proper estimation of the amount of suspended sediment in rivers has an important role in erosion and sediment studies, hydrology and management of watersheds. The simulation of suspended sediment in hydrological systems that has a lot of complexity and at the same time our understanding of the components and processes within them is always uncertain led to the use of many intelligent models, including artificial neural networks (ANNs). However, the use of these smart models also faces challenges. Determining the proper structure of the network requires optimization of the parameters used (such as the optimal number of neurons and layers, weight and bias, and the type of activation functions), which their proper calibration, using test and error, leads to a lot of time spent in low efficiency. In this study, a multilayer perceptron (MLP) was used to simulate the daily sediment load of the Nirchai River at the site of the Nair hydrometric station in Ardebil province. In order to train the models, in addition to the error back propagation (BP) algorithm, Particle Swarm Optimization (PSO) algorithm was used to optimize the weight and bias of ANNs. The fuzzy clustering method was also used to increase the power of generalization of the models. The results showed that training of ANN models with PSO algorithm with decreasing estimation error (decreasing the PBIAS of estimation and root mean square error up to 0.3% and 10.4 tons per day respectively) is more effective than ANN models that use only error BP techniques. Due to insufficient recorded sediment data in most hydrometric stations of the country on the one hand and the need to train ANNs with sufficient data on the other hand, the use of evolutionary algorithms (e.g. PSO algorithm) can be a good solution for improving the efficiency of intelligent models.