ارزیابی عملکرد سه نوع شبکه عصبی مصنوعی FFBP، RBF و RNN در تخمین میزان انتقال رسوب معلق در رودخانه زاینده رود

در بسیاری از پروژه‌های مهندسی رودخانه مانند طراحی کانالهای پایدار، ماسه‌گیرها و سازه‌های ورودی، طراحی بهینه‌ حوضچه‌های رسوبگیر و کانال‌های دانه‌گیر و امثال آن، برداشتن قوس رودخانه‌ها یا تنگ‌شدگی‌های یک رودخانه‌ و ... ، داشتن بینشی صحیح بر پدیده رسوب امری اجتناب ناپذیر شناخته شده است. یکی از مطالعاتی که در این زمینه به وفور انجام گرفته است، برآورد میزان انتقال بار معلق در آبراهه‌هاست. مطالعه حاضر نیز به ارزیابی عملکرد سه نوع شبکه عصبی مصنوعی پیشخور پس‌انتشار خطا ، برگشتی و شبکه مبتنی بر تابع پایه شعاعی جهت برآورد میزان رسوب انتقال یافته در زاینده‌رود، یکی از رودخانه‌های مهم کشور پرداخته است. در این شبکه‌ها هدف آن است که با داشتن دبی جریان متوسط روزانه در ماه‌های t و t-n و دبی رسوب متوسط روزانه در ماه t-n، دبی رسوب متوسط روزانه در ماه t پیش‌بینی شود. نتایج حاصل از این شبکه‌ها، که هر سه معمولاً برای تقریب تابع به کار می‌روند، نسبتاً نزدیک به هم و مطلوب است، اما از میان آنها شبکه پیشخور با الگوریتم پس‌انتشار خطا بهترین عملکرد را از خود نشان داده است.

کلیدواژه ها:

رسوب ، انتقال رسوب ، بار معلق ، شبکه‌ عصبی مصنوعی ، شبکه پیشخور پس‌انتشار خطا ، شبکه مبتنی بر تابع پایه شعاعی ، شبکه برگشتی