وحید نورانی - استادیار دانشکده مهندسی عمران، گروه عمران-آب، دانشگاه تبریز
محمد تقی اعلمی - استادیار دانشکده مهندسی عمران، گروه عمران-آب، دانشگاه تبریز
حمید نظم آرا - دانشجوی کارشناسی ارشد سازه های هیدرولیکی گروه عمران- آب دانشگاه تبریز
حجت حسین زاده - دانشجوی کارشناسی ارشد سازه های هیدرولیکی گروه عمران- آب دانشگاه تبریز

رسوبات حمل شده توسط رودخانه می تواند باعث به وجود آمدن خساراتی به طبیعت، کشاورزی و تاسیسات آبی گردد. برآورد صحیح بار رسوبی در تاسیسات آبی (مانند سد) باعث جلوگیری از صرف هزینه های اضافی خواهد شد. کشور ما ایران با دارا بودن رودخانه های متعدد، پتانسیل بالایی جهت ایجاد سد دارد و از طرفی همه ساله سیل در نقاط مختلف کشور باعث ایجاد خسارتهای فراوانی میگردد که یکی از دلایل، کاهش یافتن ظرفیت حمل آب توسط مقطع رودخانه به دلیل انباشتگی رسوبات می باشد. لذا بررسی پدیده رسوب و برآورد رسوب حمل شده توسط رودخانه اهمیت خاصی خواهد داشت. در این راستا تخمین بار معلق رسوب، توجه مدل سازهای شبکه های عصبی مصنوعی را به خود معطوف کرده است. در این تحقیق از شبکه های عصبی مصنوعی برای برآورد رسوب ایستگاه آخولا واقع بر روی تلخه رود در استان آذربایجان شرقی استفاده شده است. اطلاعات این ایستگاه شامل دبی و رسوب روزانه می باشد. در مراحل مختلف تحقیق اثرات هر یک از این عوامل (در قالب ترکیبات مختلف) در آرایی شبکه مورد بررسی قرار گرفته است. به منظور بررسی تاثیر رسوب و دبی ایستگاههای بالادست، علاوه بر داده های ایستگاه آخولا از داده های ایستگاههای ونیار و مرکید برای تربیت شبکه عصبی استفاده شده که بهترین نتیجه را در پی داشته است. در ادامه از روش کلاسیک منحنی سنجه نیز برای برآورد رسوب این ایستگاه استفاده شده است. برای بهینه سازی ضرایب رگراسیونی منحنی سنکه از الگوریتم ژنتیک استفاده شده که نتایج بهتری نسبت به روش کلاسیک مشاهده نشد. با توجه به نتایج بدست آمده تخمین چند ایستگاهه با استفاده از شبکه های عصبی، کارآیی بهتری دارد.

شبکه های عصبی مصنوعی، بار معلق رسوب، تخمین چند ایستگاهه، الگوریتم پس انتشار خطا