احمد طاهرشمسی - استادیار دانشکده عمران دانشگاه صنعتی امیرکبیر
دکترمحمدباقر منهاج - استادیار دانشکده برق دانشگاه صنعتی امیرکبیر
رضا احمدیان - کارشناس ارشد مهندسی هیدرولیک شرکت ساختمانی بتن شرق

در این تحقیق از شبکه عصبی پرسپترون و الگوریتم آموزش Marquardt-Levenberg پیش بینی رسوب استفاده شده است. به این منظور داده های ورودی نرمال شده شامل: عرض، عمق مقطع ، شیب طولی کانال، دبی جریان و قطر متوسط ذرات رسوب به شبکه ارایه شده اند. شبکه در بخش آموزش خطاییمعادل 0،000923 و در بخش آزمایش خطایی برابر 0،0024 نشان میدهد .در ادامه به منظور ایجاد داده های یکنواخت تر و در نتیجه خطای کمتر، داده ها ی ورودی بر حسب نوع جریان با توجه به عدد فرود( جریان زیر بحرانی با جریان فوق بحرانی) جداسازی شده اند و بر هر دسته یک شبکه عصبی جداگانه اعمال شده است. در نتیجه خطاهای ایجاد شده برای جریان زیر بحرانی به طرز قابل ملاحظه ای کاهش می یابد به نحوی که خطای آزمایس به 0،0000161 می رسد و انحراف معیار خطاهای ایجاد شده در بخش آزمایش نشان دهنده ایجاد داده های یکنواخت تر است. ولی در مقابل برای جریان فوق بحرانی خطای آزمایش به 0،0162 افزایش می یابد که نشان دهنده ضعف شبکه های عصبی به کار رفته در تخمین رسوب در جریانهای فوق بحرانی می باشد.

رسوب ، شبکه های عصبی ، جریانهای فوق بحرانی ، جریانهای زیر بحرانی