ارزیابی مقایسه ای تخمین بار رسوبی معلق رودخانه باراندوزچای با استفاده از مدل­های شبکه عصبی ترکیبی

انتقال رسوب یکی از مسائلی است که در دهه‌های گذشته موردتوجه بسیاری از دانشمندان علوم آب و هیدرولوژی بوده، ازآنجایی‌که استفاده از روش‌های منحنی‌های سنجه رسوب همواره با خطای زیادی همراه است لزوم استفاده از روشی هوشمند مانند شبکه عصبی مصنوعی در برآورد مقدار بار معلق رسوب احساس می‌شود. برای برآورد بار رسوبی معلق رودخانه باراندوز، با شبکه عصبی با استفاده از سناریوهای مختلف موردبررسی قرار گرفت. در حالت کلی با افزایش نرون‌ها در بخش آموزش و بخش شبیه‌سازی میزان همبستگی از 95/0 تا 99/0 افزایش داشته که میزان همبستگی به حالت خیلی خوب رسیده است. میزان همبستگی داده‌های ورودی و شبیه‌سازی نشان‌دهنده میزان صحت استفاده از مدل برای شبیه‌سازی دبی رسوب است. همان‌طور که از نتایج مشخص است برای ایستگاه بابارود استفاده از 14 نرون باعث افزایش میزان همبستگی شده است. بااین‌وجود در حجم بالای داده می‌توان گفت استفاده از شبکه 8 نرونی با توجه به کاهش زمان پردازش جواب مورد تایید نیز را هم می‌دهد. برای ایستگاه دیزج فتحی هم استفاده از 10 و 12 نرون باعث افزایش میزان همبستگی شده است. بااین‌وجود در حجم بالای داده می‌توان گفت استفاده از شبکه 8 نرونی با توجه به کاهش زمان پردازش جواب مورد تایید نیز را هم می‌دهد. برای ایستگاه قاسملو هم استفاده از 6 نرون باعث افزایش میزان همبستگی شده است. برای ایستگاه هاشم‌آباد هم استفاده از 10 نرون باعث افزایش میزان همبستگی شده است. بااین‌وجود در حجم بالای داده می‌توان گفت استفاده از شبکه 8 نرونی با توجه به کاهش زمان پردازش جواب مورد تایید نیز را هم می‌دهد. در آخر استفاده از شرایط شبکه عصبی به‌خوبی برای شبیه‌سازی دبی رسوب رودخانه به میزان قابل‌توجه مناسب است.

Comparative evaluation of suspended sedimentary load estimation of Barandozchay River using hybrid neural network models

Sediment transport is one of the issues that has been considered by many water and hydrology scientists in the past decades.Since the use of sediment measurement curve methods is always associated with many errors, it is necessary to use an intelligent method such as artificial neural network in estimating the amount of suspended sediment load. To estimate the suspended sediment load of Barandoz river, it was investigated with neural network and genetic algorithm. In general, with the increase of neurons in the training and simulation sections, the correlation rate has increased from 0.95 to 0.99, and the correlation rate has reached a very good state. The correlation between input data and simulation indicates the accuracy of using the model to simulate sediment discharge. As it is clear from the results, for Babarood station, the use of 14 neurons increased the correlation. However, in the high volume of data, it can be said that the use of 8-neural network also gives an approved answer due to the reduction of processing time. For Dizaj Fathi station, the use of 10 and 12 neurons has increased the correlation. However, in the high volume of data, it can be said that the use of 8-neural network also gives an approved answer due to the reduction of processing time. For Ghassemlou station, the use of 6 neurons has increased the correlation. For Hashemabad station, the use of 10 neurons has increased the correlation. However, in the high volume of data, it can be said that the use of 8-neural network also gives an approved answer due to the reduction of processing time. Finally, the use of neural network conditions is well suited to simulate the flow of river sediment to a considerable extent, and the use of genetic algorithm also increases the accuracy of the network structure in training and simulation