برآورد رسوب انتقالی معلق در ایستگاه های هیدرومتری حوزه قشلاق با استفاده از شبکه عصبی مصنوعی

در این پژوهش از مدل شبکه عصبی مصنوعی پرسپترون با ساختار پیش خور چندلایه به عنوان روشی موثر برای تخمین مقدار رسوب معلق استفاده شد. بدین منظور، میزان آورد رسوبات معلق رودخانه های خلیفه ترخان و چهل گزی در استان کردستان در سه حالت با استفاده از دو روش شبکه عصبی مصنوعی و منحنی سنجه رسوب برآورد شد. در حالت نخست (مدل ‭A)‬، تمامی داده های اندازه گیری شده، بدون هیچ گونه تفکیکی مدل سازی شدند. در حالت دوم (مدل ‭B)‬، داده ها به دو زیرمجموعه پرآبی و کم آبی، و در حالت سوم (مدل ‭C)‬، به دو زیرمجموعه با غلظت کم و زیاد رسوبات دسته بندی شد. سپس هر زیرمجموعه جداگانه توسط روش های مذکور شبیه سازی شد. برای طراحی ساختار مدل با شبکه عصبی مصنوعی، با تغییر پارامترهای قابل تنظیم، (شامل تابع انتقال، قانون آموزش، مقدار مومنتم، تعداد لایه پنهان، تعداد نرون لایه پنهان و تعداد الگوها)، شبکه های عصبی مختلف ساخته و اجرا شد. با محاسبه مقدار جذر میانگین مربعات خطا بین مقادیر خروجی مدل و داده های مشاهده شده، مدل های مناسب در حالت های مختلف انتخاب و کارآیی دو روش در برآورد رسوب معلق روزانه بررسی شد. نتایج نشان داد که برای مدل A، ‭B ‬و ‭C ‬میزان خطای مدل های تدوین شده با روش شبکه عصبی مصنوعی در ایستگاه خلیفه ترخان به ترتیب ‮‭70/3‬ ، ‮‭34/2‬ و ‮‭69/2‬ درصد و در ایستگاه تونل به ترتیب 1/،‮‭3/5 32‬ و ‮‭10/7‬درصد کمتر از مدل های تدوین شده با روش منحنی سنجه رسوب می باشند. همچنین نتایج نشان داد در هر دو ایستگاه خلیفه ترخان و چهل گزی به ترتیب مدل های ‭C ‬تدوین شده با شبکه عصبی مصنوعی ‭(C-ANN) ‬و ‭A ‬تدوین شده با روش منحنی سنجه ‭(A-SRC) ‬دارای بیشترین و کم ترین دقت می باشند. مقدار کاهش خطای برآورد دقیق ترین مدل ‭(C-ANN) ‬نسبت به کم دقت ترین مدل ‭(A-SRC) ‬در دو ایستگاه خلیفه ترخان و چهل گزی به ترتیب برابر ‮‭79/35‬ و ‮‭43/34‬ درصد بود. بنابراین در دو ایستگاه استفاده از روش شبکه عصبی مصنوعی برای مدل سازی رسوب معلق روزانه مناسب بوده و روش دسته بندی داده ها براساس غلظت رسوبات آورده شده به عنوان یک راه کار مناسب در جهت افزایش دقت برآورد مدل ها قابل توصیه است. واژه های کلیدی: بار معلق، حوزه آبریز قشلاق، شبکه های عصبی مصنوعی، کردستان، منحنی سنجه رسوب.