پیشبینی غلظت رسوب در رودخانه کرخه با استفاده از نرم افزار شبکه عصبی

پدیده انتقال رسوب از جمله فرآیندهای هیدرودینامیکی مهمی است که بسیاری از سازه های رودخانه ای و تاسیسات عمرانی را تحت تأثیر قرار میدهد و به عنوان یکی از بزرگترین مشکلات بهره برداری از منابع آبهای سطحی در جهان مطرح میباشد.رودخانه کرخه رسوبات زیادی را با خود حمل میکند. این امر بعلت پوششضعیف گیاهی، رگبارهای نسبتاً شدید، و وجود لایههای قابل فرسایش در بخشهای زیادی از حوزه آبریز این رودخانه است. اندازه گیری غلظت رسوب به روش های متداول به طور عموم مستلزمصرف وقت و هزینه زیادی بوده و گاهی نیز دارای دقت کافی نمیباشد. یکی از روش های نوین در حل مسائل مهندسی منابع آب ورودخانه استفاده از روش شبکه عصبی مصنوعی است. شبکه های عصبی مصنوعی با الگوبرداری از شبکه عصبی مغز انسان، ضمن اجرای فرایند آموزشروابط درونی بین داده ها را استخراج کرده و در موقعیت های دیگر تعمیم میدهد.برای به دست آوردن یک مدل مطلوب و کار آمد شبکه عصبی ناگزیر به سعیوخطا در بین ساختارهای گوناگون میباشیم، ایجادساختارهای مختلف شبکه های عصبی با تغییر الگوریتم آموزش، تعداد لایه های پنهان، تعداد گرههای لایه های میانی و استفاده از توابع انتقال مختلف بین گرهها امکان پذیر میباشد. در تمام شبکههای به وجود آمده بر اساس این تغییرات، معیار مقایسه، ضریب همبستگی و مقدار مینیممMSEبه دست آمده در مراحل آموزش، صحت سنجی و تست میباشد. در این تحقیق ساختار پرسپترون و تابع تبدیلتانژانت هایپربولیک برای تمامی آزمون ها استفاده شده است و با به کار گیری دو الگوریتم آموزشی لونبرگ مارکوارت و ممنتم و حالتهای یک و دو لایه پنهان و همچنین با تغییر تعداد نرونها موجود در هر لایه، مدل شبکه عصبی برای حالت های گوناگون به اجرا در آمده استو نتایج آنها بر اساسمعیارهای گفته شده با یکدیگر مقایسه گردیده است با مقایسه نتایج در مرحله تست و آموزششبکه ، بهترین روشآموزش الگوریتم لونبرگ مارکوارت و بهترین ساختار شبکه دو لایه میانی است که در هر لایه ٣ نرون قرار دارد.

کلیدواژه ها:

رسوب معلق ، شبکه عصبی ، پرسپترون ، الگوریتم ممنتم ، الگوریتم لونبرگ مارکوارت