تعیین مناسب ترین الگوریتم به منظور برآورد میزان رسوب با استفاده از شبکه عصبی )شبکه پیشخور پس انتشار خطا و شبکه fitting )مطالعه موردی:رودخانه کاکارضا-استان لرستان(

به منظور اجرای برنامه های حفاظت خاک و کاهش رسوب زایی، همچنین محاسبه و طراحی دقیق حجم سد دراحداث سدهای مخزنی، ضرورت دارد که میزان تولید رسوب در یک حوزه آبخیز، ارزیابی و برآورد گردد.بطورکلیپدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل تاثیرات پارامترهای مختلف، به آسانی میسر نیست. هدف از این مطالعه به دست آوردن الگوریتم مناسب با استفادهاز شبکه عصبی پیش خور پس انتشار خطا)) newff ) feed-forward backpropagation ( و (( newfit ) fitting ( به منظور برآورد میزان رسوب در حوزه مورد مطالعه پرداخته شد. به این منظور برایبرآورد رسوب، از داده های دبی، بارش و رسوب رودخانه کاکارضای استان لرستان به صورت ماهانه استفاده شد. با آنالیز حساسیت،تأثیرگذارترین پارامترها)دبی- بارش( به عنوان ورودی مدل و میزان رسوب، خروجی قرارگرفت. نتایج در این تحقیق نشان داد که هر دو شبکه ذکر شده برای تخمین رسوب مناسب می باشد البته لازم بهذکر است همه الگوریتم ها با رگرسیون) R ( و میانگین مربعات خطا) MSE ( مناسب نمی باشد. از بین چهارده الگوریتم مورد استفاده در این مطالعه , 0 و میانگین / الگوریتم های مناسب برای تخمین رسوب با رگرسیون 99مربعات خطای پایین) (TRAINSCG,TRAINRP,TRAINLM,TRAINBR انتخاب شد و الگوریتم های دیگری مانند TRAINCGp,TRAINCGF,TRAINCGB, با رگرسیون پایین دارای خطای بالا بوده و نمی توان از این الگوریتم ها برای تخمین رسوب استفاده کرد و روی هم افتادگی خطوط ترسیم شده در نمودار بین داده های مشاهداتی)خروجی مدل( و اندازه گیری شده با رگرسیون 0/04نشان از نامناسب بودن این الگوریتم ها به منظور برآورد رسوب است.

کلیدواژه ها:

شبکه عصبی ، الگوریتم های شبکه عصبی ، شبکه عصبی پیش خور پس انتشارخطا ، رسوب