پیش‌بینی بار معلق رودخانه‌ای با استفاده از شبکه عصبی مصنوعی و الگوریتم‌ ژنتیک مرتب‌سازی غیرغالب

اطلاع از میزان فرسایش خاک و تولید رسوب، ویژگی‌های هواشناسی، ویژگی‌های هیدرولوژیکی رودخانه همانند دبی و همچنین عوامل انسانی، غالباً بسیار پیچیده، غیر‌قطعی و غیرخطی می‌باشند. لذا بکارگیری الگوریتم‌های هوش ماشینی (نظیر الگوریتم‌های یادگیری ماشین) گزینه مناسبی در شبیه‌سازی و پیش‌بینی متغیرهای کیفی آب رودخانه نظیر بار معلق تلقی می‌شود. هدف پژوهش حاضر، ارائه یک روش پیشنهادی برمبنای شبکه عصبی مصنوعی پرسپترون چندلایه و الگوریتم ژنتیک مرتب‌سازی غیرغالب برای پیش‌بینی بار معلق رودخانه‌ای می‌باشد. در روش پیشنهادی به منظور آموزش شبکه عصبی مصنوعی پرسپترون چندلایه از روش پس‌انتشار خطا و تعیین وزن بهینه برای نرون‌ها از  الگوریتم ژنتیک مرتب‌سازی غیرغالب استفاده شد. در این مطالعه از بار معلق ایستگاه تیل‌آباد واقع در رودخانه گرگان‌رود طی سال‌های 94-1361 به‌عنوان مطالعه موردی استفاده شد. نتایج نشان داد که روش پیشنهادی در مقایسه با شبکه عصبی مصنوعی چندلایه دارای ضریب همبستگی بالاتری است و مقدار r^2 به‌ترتیب برابر با 0.6728 و 0.4372 بدست آمد.  مقدار rmse در روش پیشنهادی و شبکه عصبی مصنوعی چندلایه برمبنای الگوریتم پس‌انتشار به ترتیب برابر با 4.7225 و 8.0548 بدست آمده است. مقدار nse نیز در روش پیشنهادی و شبکه عصبی مصنوعی چندلایه برمبنای الگوریتم پس‌انتشار به ترتیب برابر با 0.4321 و 0.2941 بدست آمده است. لذا در روش پیشنهادی، الگوریتم‌ ژنتیک مرتب‌سازی غیرغالب باعث شده که شبکه عصبی مصنوعی چندلایه بهبود خوبی داشته باشد. نتایج حاصله نشان داد که روش پیشنهادی دارای دقت خوبی در پیش‌بینی بار معلق بوده است. روش پیشنهادی با الگوریتم آموزشی پس‌انتشار دارای عملکرد بهتری در مقایسه با الگوریتم آموزشی گرادیان نزولی و بیزین بوده است.

predicting river suspended load using artificial neural network and non-dominant genetic sorting algorithm

information on soil erosion and sediment production, meteorological features, hydrological features of rivers such as discharge, as well as human factors, are often very complex, indefinite, and nonlinear. therefore, the use of machine intelligence algorithms (such as machine learning algorithms) is a good option in simulating and predicting river water quality variables such as suspended load. the aim of the present study is to present a proposed method based on multilayer perceptron artificial neural network (mlp-ann) and non-dominant sorting genetic algorithm (nsga) for predicting suspended river load. in the proposed method, the nsga was used to train the mlp using the error propagation method and determining the optimal weight for the neurons. in this study, the suspended load of tilabad station located in gorganrood river during the 1982-2015 years was used as a case study. the results showed that the proposed method has a higher correlation coefficient compared to mlp and the value of r2 was 0.6728 and 0.4372, respectively. the value of root-mean-square error (rmse) in the proposed method and mlp based on back-propagation (bp) algorithm is 4.7225 and 8.548, respectively. therefore, in the proposed method, the nsga has caused a good improvement of the mlp. the nse value in the proposed method and mlp based on bp algorithm is 0.4321 and 0.2941, respectively. the results showed that the proposed method had good accuracy in predicting the suspended load. the proposed method with bp training algorithm has a better performance compared to the descending and bayesian gradient training algorithm.