ارزیابی عملکرد شبکه عصبی مصنوعی در پیش‎بینی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام

در این تحقیق از مدل شبکه عصبی پرسپترون چند لایه(mlp-nn) برای شبیه‎سازی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام استفاده شد. مدل شبکه عصبی با استفاده از داده‎های آزمایشگاهی سه زیرحوضه سد ایلام در سال‎های 89-1388 طراحی گردید. متغیرهای ورودی شبکه عصبی برای مدل‎سازی اکسیژن محلول شامل اسیدیته آب، هدایت الکتریکی، کل جامدات معلق، دما، فسفر کل، سولفات، آمونیوم، آهن و نیتروژن کل بودند. متغیرهای ورودی برای شبکه عصبی برای مدل‎سازی فسفر کل شامل فسفات و دما است که در یک نقطه در نزدیکی محل بدنه سد و در عمق‎های مختلف اندازه‎گیری شده‎اند. عملکرد مدل‎ها با استفاده از شاخص‎های ضریب تبیین (r2)، خطای نسبی و مجموع مربعات خطا(sse)  ارزیابی شد. با توجه به نتایج شبکه عصبی تمامی متغیرهای در نظر گرفته شده بر روی مدل‎سازی اکسیژن محلول موثر بوده و موثرترین پارامتر میزان کل جامدات معلق بود. در مدل‎سازی فسفر کل نیز فسفات موثرتر از دما بود. ضریب تبیین به‎دست آمده بین مقادیر شبکه عصبی و مقادیر اندازه‎گیری شده برای اکسیژن محلول0.813 و برای فسفر کل 0.940 بود.  در ادامه، نتایج حاصل از مدل‎های شبکه عصبی با نتایج حاصل از مدل دوبعدی متوسط‎گیری شده عرضی ce-qual-w2 مقایسه شده است. براساس نتایج، مدل پرسپترون چند لایه (mlp) در پیش‎بینی متغیرهای کیفیت آب دقت بالاتری را نسبت به مدل عددی نشان داد. نتایج همچنین نشان داد که شبکه عصبی قادر به پیش‎بینی تغذیه‎گرایی با دقت قابل قبولی است و می‎توان از آن به‎عنوان یک ابزار مفید برای مدیریت کیفی آب مخازن استفاده نمود.

Performance Evaluation of Artificial Neural Network in Predicting Dissolved Oxygen and Total Phosphorus Concentrations in the Ilam Dam Catchment

In this research, a multilayer perceptron neural network (MLPNN) model was used to simulate dissolved oxygen and total phosphorus in the Ilam Dam catchment. The NN model was developed using experimental data from three sub catchments of Ilam Dam during the 20092010 period. Input variables of NN model including water PH, electricital conductivity, total suspended solids, temperature, total phosphorus, sulfate, ammonia, iron and total nitrogen were employed for the dissolved oxygen modeling. Input variables for total phosphorus modeling were temperature and phosphate, which have been measured at one station on the reservoir vicinity at different depths. The performance of the models was assessed by the coefficient of determination, relative error, and sum of squared errors (SSE) indices. The neural network results indicated that all the input variables affected modeling of the dissolved oxygen concentration, while the most effective parameter was the total suspended solids. Phosphate presented the highest impact on the total phosphorus modeling than the temperature. The cofficient of determination values for modeling dissolved oxygen and total phosphorus were 0.813 and 0.940, respectively. The results of NN models were then compared with the twodimensional, laterally averaged CEQUALW2 model. Based on the results, the multilayer perceptron model showed more accurate responses than the numerical model in predicting water quality variables. Results also showed that the NN was able to predict the eutrophication process with acceptable accuracy and could be used as a valuable tool for  qualitative management of reservoir water.