مدل‌سازی مبتنی بر هوش محاسباتی در برآورد بار معلق رودخانه (ایستگاه باقرآباد قمرود)

برآورد مقدار رسوب رودخانه در طراحی و اجرای سازه های آبی و ساماندهی رودخانه اهمیت به سزایی دارد. شبیه سازی و ارزیابی رسوب رودخانه از مسائل مهم و کاربردی در مدیریت منابع آب است. بنابراین دست یافتن به شیوه های نوین و خلاقانه که بتواند در این راستا موثر واقع گردد دارای اهمیت زیادی است. هدف از این پژوهش ارزیابی و مقایسه مدل های فازی- عصبی تطبیقی (anfis)، ماشین بردار پشتیبان (svm) و برنامه ریزی بیان ژن (gep) در برآورد بار رسوب ایستگاه باقرآباد رودخانه قمرود استان مرکزی است. بدین منظور عملکرد سه نوع مدل ماشین بردار پشتیبان (svm)، سیستم عصبی فازی-تطبیقی (anfis) و برنامه ریزی بیان ژن (gep) در شبیه سازی بار رسوبی رودخانه ها بررسی و نتایج به دست آمده از این سه روش با یکدیگر و با نتایج منحنی سنجه مقایسه شد. نتایج بیانگر عملکرد قابل قبول مدل ها نسبت به منحنی سنجه است. برتری مدل (gep) با بیشترین ضریب تعیین r2 با مقدار 0/99 و کمترین ریشه میانگین مربعات خطا rmse بر حسب تن در روز با مقدار 0/010 نشان داده شد. در این خصوص کارآیی مدلsvr با r2 با مقدار 0/95 و rmse برابر  1/49 تا حدی بهتر از مدل anfis با r2 با مقدار 0/91 و rmse برابر 7/94 بود.  نتایج به دست آمده همچنین نشان داد هر سه روش داده کاوی بررسی شده نسبت به منحنی سنجه رسوب، نتایج به مراتب بهتری  ارائه می کننند.

modeling based on computational intelligence in river suspended load estimation (baqorabad station of the qamroud river)

introductionestimating the sediment load of rivers is one of the important and practical issues in the studies and design of water engineering projects, such as the design and development of irrigation and drainage networks, water extraction from rivers, etc. sediment concentration can be calculated by direct or indirect methods, which are usually expensive and time-consuming direct methods. various factors affect this phenomenon, which makes their analysis difficult. statistical and regression models are the most common methods of analysis, which often provide erroneous results due to the linear solution of these phenomena. therefore, they cannot model the sedimentation phenomenon with acceptable accuracy. hydraulic models cannot always be trusted due to the need for a lot of data, the unavailability of the required data, and the inaccuracy of the data due to human error in simulating sediments. due to their ability to solve complex and nonlinear phenomena, intelligent fuzzy and neural conductor systems have found many applications in various water engineering problems, including sedimentation. this research aims to evaluate and compare adaptive neural fuzzy models (anfis), machine support vector (svm), and gep gene expression programming in estimating the sediment load of selected rivers in central province. for this purpose, the performance of three types of support vector machine (svm), adaptive neural system (anfis), and gep gene expression programming in the simulation of the sediment load of rivers was studied.