مقایسه و ارزیابی کارائی مدل‌های داده مبنا جهت تخمین رسوب معلق پایین دست سد درودزن

سدها بر حسب ابعاد خود با ایجاد محیط های ساکن بخش اعظمی از رسوب ورودی به مخزن را مهار می کنند. با این وجود رسوب خروجی از سد به عوامل مختلفی مانند روش مدیریت سد، رسوب ورودی، ارتفاع آب در مخزن و شکل مخزن و دبی تخلیه بستگی دارد. در این تحقیق میزان رسوب معلق خروجی از سد درودزن بر اساس دوره آماری 25 ساله با استفاده از سه روش یادگیری بر اساس الگوریتم داده مبنا یعنی نزدیکترین نقاط همسایه، رگرسیون گیری و شبکه عصبی مورد بررسی قرار گرفته است. نتایج نشان می دهد که در روش نزدیک ترین همسایه تعداد همسایه و وزن هر پارامتر بر دقت نتایج اثر گذار است بطوریکه در بین ساختارهای مختلف روش نزدیکترین همسایه، روش انتخاب 6 همسایه با انتخاب وزن های 0.271 و 0.271 و 0.458 به ترتیب برای دبی ورودی و دبی رسوب ورودی و دبی خروجی نتایج مناسبتری را نسبت به دیگر ساختارهای این روش نشان می دهد. در بین ساختارهای مختلف شبکه عصبی ساختار با 2 لایه مخفی و تعداد 4 و 7 گره بترتیب در لایه های اول و دوم دقت بالاتری نسبت به دیگر ساختارها نشان می دهند. مقایسه هر سه روش نشان دهنده دقت بالاتر روش شبکه عصبی نسبت به دو روش دیگر است.  

comparison and evaluation of the performance of data-driven models for estimating suspended sediment downstream of doroodzan dam

dams control most of the sediment entering the reservoir by creating static environments. however, sediment leaving the dam depends on various factors such as dam management method, inlet sediment, water height in the reservoir, the shape of the reservoir, and discharge flow. in this research, the amount of suspended sediment of doroodzan dam based on a statistical period of 25 years has been investigated using three learning methods based on the data-driven algorithm, namely the k nearest neighbors, regression, and neural network. the results show that among different structures of the k nearest neighbors, the selection of 6 neighborhoods has more precise outcomes than other structures. also, among different structures of neural networks, a structure with two hidden layers and 4 and 7 nodes in each hidden layer respectively, predicted suspended sediment more accurately than other neural network structures.  comparison of different algorisms was indicated that neural networks have more accurate results than other mentioned methods.