میلاد شکارچی - دانشجوی کارشناسی ارشد آب وسازه های هیدرولیکی، دانشگاه آزاد واحداسلامی تهران شرق
اکبر مختارپور - استادیارگروه مهندسی عمران، دانشگاه آزاد واحداسلامی تهران شرق
روح الله احمدی جزنی - استادیارگروه مهندسی عمران، دانشگاه آزاد واحداسلامی تهران شرق

برآورد صحیح حجم رسوبات حمل شده توسط رودخانه ها در پروژه های آبیاری از اهمیت بسیاری برخوردار است. پدیده های فرسایش و انتقال رسوب در ابراهه ها و رودخانه ها از پیچیده ترین مباحث مهندسی رودخانه می باشد. فرسایش زیاد و انتقال دایم این مواد نه تنها باعث برهم خوردن تعادل طبیعی رودخانه و آبراهه می شود، بلکه سبب ایجاد خساراتی از قبیل تغییر مسیر رودخانه، انباشت رسوبات در پشت سدها و کاهش حجم مفید آن ها نیز می گردد. شبکه های عصبی مصنوعی یک روش کاملا غیرخطی است که می تواند تقابل و ارتباط پیچیده ای بین پارامترهای ورودی و خروجی بدون داشتن دانش قبلی درباره طبیعت آنها ایجاد کند. این تحقیق به بررسی توانایی شبکه عصبی مصنوعی (ANN) و تعیین بهترین مدل برای پیش بینی بار رسوبات معلق روزانه ورودی به مخزن سد کوثر خلخال در رودخانه هیروچای، واقع در شمال غرب ایران می باشد. 147 داده روزانه برای پیش بینی بار معلق روزانه (SSL) استفاده شده است. الگوی باررسوب معلق وارد بر مخزن با شبکه ی عصبی Backpropegation، و ساختار 1-1-3 برای مرحله آموزش و 1-8-3 برای مرحله آزمون و با استفاده از الگوریتم Feed-Forward Backpropagation، و تابع آموزشی LM یا همان Levenberg Marquardt و تابع فعالیت زیگمویید برای لایه میانی و خطی برای لایه خروجی، حاصل شده است. در نهایت با مقایسه دو ساختار موجود، ساختار 1-1-3 شبکه عصبی، برای ارایه بهترین مدل باررسوب معلق ورودی به مخزن سد انتخاب شده و بر پایه چندین شاخص عملکرد معلوم گردیده است که شبکه ی عصبی مصنوعی با ساختار مذکور، باررسوب معلق ورودی به مخزن سد را با دقت بالاتری در مقایسه با تحلیل معمول رگرسیونی تخمین زده است.

باررسوب معلق روزانه، الگوریتم پیش خور پس انتشار خطا، رگرسیون خطی