مدلسازی بار رسوب معلق با استفاده مدل رگرسیون غیرخطی هوشمند براساس الگوریتم ژنتیک و شبکه عصبی مصنوعی چندلایه (مطالعه موردی رودخانه میناب)

تخمین میزان بار رسوب معلق در رودخانه ها یکی از مهمترین مسائل در مدیریت منابع آب می باشد. این تحقیق برای نخستین بار یک مدل هوشمند کارآمد برساس ترکیب الگوریتم بهینه سازی ژنتیک و شبکه های عصبی مصنوعی برای تخمین میزان بار رسوب معلق در رودخانه میناب واقع در جنوب ایران ارائه می نماید. مدل های توسعه داده شده توسط داده های مشاهداتی که شامل دبی رودخانه و دبی رسوب می باشد، آموزش و آزمایش گردیده اند. همچنین، به منظور تعیین بهترین ترکیب داده های ورودی از آنالیز همبستگی استفاده شده است. برای بررسی کارآیی مدل پیشنهادی، نتایج مدل ترکیبی ( شبکه های عصبی و الگوریتم ژنتیک) با مدل شبه های عصبی که وظیفه تنظیم وزن های شبکه توسط الگوریتم بهینه ساز صورت گرفته است، با استفاده از آماره هایی مانند ضریب تبیین ( 2R) و جذر میانگین مربعات خطا ( RMSE )، مقایسه شده است. نتایج حاکی از آن است که مدل ترکیبی بر اساس الگوریتم بهینه ساز ژنتیک برتری قابل ملاحظه ای نسبت به مدل شبکه عصبی در دوره آموزش و هم آزمایش داشته و نقاط پیک بار رسوبی را با دقت بهتری تخمین می زند. بهترین مدل ترکیبی با خطای 1543 کیلوگرم در روز در مقابل شبکه عصبی با خطای 2860 کیلوگرم در روز دقت بیشتری را از خود نشان داده و میتواند به عنوان یک مدل کارآمد جهت مدل سازی انتقاه رسوب در رودخانه به کار گرفته شود.

کلیدواژه ها:

بار رسوب معلق ، مده رگرسیون غیرخطی هوشمند ، امگوریته تنتیم ، شبکه عصبی مصنوعی ، رودخانه میناب