پیش‎بینی توزیع غلظت رسوبات معلق با استفاده از مدل شبکهعصبی مصنوعی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه سازه های دریایی، دانشکده مهندسی دریا، دانشگاه علوم و فنون دریایی خرمشهر

2 گروه مهندسی آب و خاک، دانشکده کشاورزی، دانشگاه صنعتی شاهرود

چکیده

در هیدرولیک رسوب، برآورد صحیح غلظت رسوب معلق از جهات مختلف مانند تخمین دبی رسوب عبوری، جانمایی سازه های هیدرولیکی و غیره مهم می باشد. با توجه به اهمیت موضوع، در این مطالعه برای مدلسازی و پیش‎بینی غلظت رسوب رودخانه کارون از شبکه عصبی مصنوعی پرسپترون چند لایه(ANN/MLP) استفاده شد. بدین منظور از 125 سری داده صحرایی اندازه گیری شده شامل غلظت نزدیک کف، سرعت نقطه ای، نزدیکترین فاصله از ساحل، عمق کل جریان و عمق نقطه ای جریان استفاده شد. کارایی مدل‎ مورد استفاده با استفاده از پارامترهای آماری مانند ضریب تبیین(R2) و ریشه میانگین مجذور خطا، میانگین خطای مطلق(RMSE)مورد ارزیابی قرار گرفت. نتایج این پژوهش نشان داد، مدل MLP با یک لایه میانی، تابع سیگمویید و 5 نرون، بهترین ساختار را در مدلسازی غلظت رسوب رودخانه کارون داشته‌اند. مقدار ضریب تبیین(R2) و خطای ریشه میانگین مربعات خطا(RMSE) برابر 953/0 و 37/63 میلی گرم بر لیتر به ترتیب در مرحله آموزش و752/0 و 02/203 میلی گرم بر لیتر در مرحله صحت‎سنجی بوده است. همچنین آنالیز حساسیت انجام شده بر روی پارامترهای ورودی مدل نشان می‌دهد کمترین و بیشترین تاثیر را دو پارامتر فاصله از ساحل و عمق جریان در یادگیری شبکه عصبی مصنوعی داشتند.

کلیدواژه‌ها

موضوعات


Galappatti R. (1983), “A Depth Integrated

 

Model for Suspended Transport.” Report no 83-7, Delft University of Tecnology, Delft, The Netherlands.

Gard R.J. & K.G. Ranga Raju (2000), “Mechanics of sediment transportation and alluvial stream problems.” New International (P) Ltd Publishers, Third Edition, Chapter 14.

Haykin, S., 1994. Neural networks. In: A comprehensive foundation. IEEE press,MacMillan, New York.

Minasny, B., and A. B. McBratney. 2002. The neuro-m methods for fitting neural network parametric pedotransfer functions. Soil Science Society of America Journal 66: 352–61.

Mohanty S, Jha K, Kumar A, Sudheer K (2010) Artificial neural network modeling for groundwater level  forecasting in a river island of eastern India. J Water Resour Manag 24:1845–1865

Nayak P, SatyajiRao Y, Sudheer K (2006) Groundwater level forcasting in a shallow aquifer using artificial neural network. J Water Resour Manag 20:77–90.

Rumelhart, D.E., Hinton, G.E., Williams, R.J., 1986. Learning internal representationby error back propagation. In: Rumelhart, D.E., McClelland, J.L. (Eds.), ParallelDistributed Processing. MIT Press, Cambridge, MA, pp. 318–362

 

.