ارزیابی کارایی مدل های ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه سازی ازدحام ذرات (PSO) در برآورد رسوبات معلق، مطالعه موردی ایستگاه های هیدرومتری کوزه توپراقی و هیرچای استان اردبیل

مقدمه شبیه سازی رسوب معلق در سیستم های هیدرولوژیکی به دلیل پیچیدگی ها و عدم قطعیت های ذاتی، همواره چالش برانگیز بوده است. این مساله موجب شده تا استفاده از مدل های هوشمند مانند شبکه های عصبی مصنوعی به عنوان راهکاری مناسب برای پیش بینی بار رسوب معلق مطرح شود. به همین دلیل، استفاده از مدل های هوشمند نظیر شبکه های عصبی مصنوعی (ANN) در این زمینه گسترش یافته است. با این حال، تعیین ساختار بهینه شبکه (شامل تعداد نورون ها، لایه ها، وزن ها و بایاس ها) معمولا به روش آزمون و خطا انجام می شود که هم زمان بر و هم ناکارآمد است. در این پژوهش، به منظور شبیه سازی بار رسوب معلق روزانه در حوزه آبخیز سراب قره سو (رودخانه های قوری چای و هیرچای) واقع در استان اردبیل، از شبکه عصبی پرسپترون چندلایه بهره گرفته شد.   مواد و روش ها در این پژوهش، به منظور شبیه سازی بار رسوب معلق روزانه در حوزه آبخیز سراب قره سو (رودخانه های قوری چای و هیرچای) در استان اردبیل، از شبکه عصبی مصنوعی پرسپترون چندلایه بهره گرفته شد. آموزش مدل های شبکه عصبی علاوه بر روش متداول پس انتشار خطا، با استفاده از الگوریتم بهینه سازی ازدحام ذرات (PSO) برای بهینه سازی وزن ها و بایاس های نورون ها انجام شد. همچنین به منظور افزایش قدرت تعمیم دهی مدل ها، از خوشه بندی نگاشت خودسازمان ده (SOM)  استفاده شد. برای بهینه سازی وزن ها و بایاس های شبکه، علاوه بر روش پس انتشار خطا، الگوریتم بهینه سازی ازدحام ذرات (PSO) نیز به کار رفت. همچنین جهت افزایش قدرت تعمیم مدل ها، از خوشه بندی نگاشت خودسازمان ده (SOM)  استفاده شد. استفاده از الگوریتم های تکاملی نظیر PSO در آموزش شبکه های عصبی، راهکاری موثر برای بهبود دقت مدل های هوشمند و به خصوص در شبیه سازی رسوب معلق رودخانه ها و کاربردهای منابع آبی و سازه های آبخیزداری است.   نتایج و بحث با استفاده از خوشه بندی SOM و شاخص دیویس-بولدین، تعداد بهینه خوشه ها برای ایستگاه کوزه توپراقی ۱۲ و برای ایستگاه هیرچای ۱۵ تعیین شد. تحلیل آماری و آزمون KS نشان داد داده ها در مجموعه های آموزش، اعتبارسنجی و آزمون، از توزیع مشابهی برخوردارند که باعث افزایش قدرت تعمیم دهی مدل ها می شود.آموزش مدل های شبکه عصبی با الگوریتم PSO نسبت به پس انتشار خطا، عملکرد بهتری داشت و خطاهای پیش بینی کاهش یافت. مدل های  ANN-PSO-Sig  و ANN-PSO-Tan بهترین عملکرد را در ایستگاه های کوزه توپراقی و هیرچای به ترتیب داشتند. بررسی بایاس مدل ها نیز نشان داد مدل های آموزش دیده با PSO خطای کمتری در برآورد کل رسوب دارند. به طورکلی نتایج نشان داد، آموزش شبکه های عصبی با الگوریتم PSO عملکرد بهتری نسبت به روش آموزش صرف با پس انتشار خطا دارد. در ایستگاه کوزه توپراقی، مدل هیبرید شبکه عصبی و PSO با تابع فعال سازی سیگموئیدی (ANN-PSO-Sig) و در ایستگاه هیر-هیرچای توپراقی مدل مشابه با تابع فعال سازی تانژانت هیپربولیک (ANN-PSO-Tan) به ترتیب با بایاس های ۲۵.۵ و ۲.۱۹- درصد و شاخص RMSE برابر با ۸۶.۲۸ و ۸۹.۲ تن در روز به عنوان مدل های بهینه انتخاب شدند. این نتایج، نشان دهنده بهبود دقت پیش بینی بار رسوب معلق با استفاده از الگوریتم PSO در آموزش شبکه عصبی است.   نتیجه گیری استفاده از الگوریتم فراابتکاری PSO در آموزش مدل های شبکه عصبی، عملکرد آنها را در شبیه سازی بار رسوب معلق بهبود بخشیده است. این روش نسبت به الگوریتم های مبتنی بر گرادیان خطا برتری دارد و می تواند بهینه سازی وزن ها را با دقت بالاتری انجام دهد. نتایج نشان داد که دقت برآورد شاخص بایاس در مدل های آموزش دیده با  PSOبهتر است که این امر در طراحی سازه های آبی و مدیریت منابع آب اهمیت زیادی دارد. همچنین خوشه بندی داده ها با الگوریتمSOM  باعث انتخاب مجموعه داده های همگن و نماینده برای آموزش مدل ها شده است که به افزایش قابلیت تعمیم مدل ها کمک کرده است. به طور کلی، با توجه به پیچیدگی های سیستم های هیدرولوژیکی و عدم قطعیت های موجود، به کارگیری مدل های هوشمند همراه با الگوریتم های بهینه سازی تکاملی مانند PSO راهکاری موثر در شبیه سازی و پایش بار رسوب معلق است. نتایج حاصل می تواند در برنامه ریزی و اجرای اقدامات سازه ای آبخیزداری و مدیریت منابع آبی کاربرد داشته باشد.

کلیدواژه ها:

بار معلق ، خوشه بندی ، سراب قره سو ، شبکه عصبی مصنوعی ، نگاشت خود سازمان ده