استفاده از شبکه عصبی پرسپترون چند لایه MLP و بهینه سازی آن با روش الگوریتم ژنتیک در تخمین بار رسوب رودخانه (مطالعه موردی حوزه آبخیز زشک- ابرده شهرستان شاندیز)

در کشور ما اطلاعات دقیق و صحیح از فرسایش، انتقال رسوب و رسوبگذاری بسیار کم است و بین اندازه گیری ها و برآوردهای انجامشده نیز اختلاف زیادی مشاهده می شود. پدیده انتقال رسوب از جمله فرآیندهای هیدرودینامیکی مهمی است که بسیاری از سازه هایرودخانه ای و تاسیسات عمرانی را تحت تاثیر قرار می دهد و به عنوان یکی از بزرگترین مشکلات بهره برداری از منابع آبهای سطحی درجهان مطرح می باشد. در این پژوهش عملکرد شبکه عصبی مصنوعی پرسپترون چند لایه (MLP) در برآورد بار رسوب حوزه زشک ابردهشهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه سازی شد. به منظور شبیه سازی سناریوی S از ورودی دبی آب،سناریوی S از دبی آب و باران روزانه و سناریوی S از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد که سناریو(S(2MLP با معماری 5 نورون مخفی در 2 لایه پنهان، تابع انتقال سیگمویید و قانون یادگیری مومنتم در مجموعه آزمون با داشتن MSE وNMSE کمتر در مقایسه با سایر سناریوهای MLP بهتر عمل کرده است. همچنین این سناریو دارای (0/598)NSE و (0/626)AMبالاتری بوده که نسبت به سناریوی (S(1MLP با NSE 0 برابر با 0/594 و AM برابر با 0/603 و مدل (S(3MLP با NSE برابر با 0/604 وAM برابر با 0/607 عملکرد بهتری را نشان می دهد. از طرفی شبکه عصبی MLP در برآورد نقاط حدی دچار تخمین کمتر از حد بود کهیکی از دلایل آن می تواند کمبود حضور داده های حدی در مرحله آموزش شبکه باشد. از آنجایی که شبکه MLP عملکرد ضعیفی را دربرآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه (S(2MLP کمک گرفته شد. نتایجنشان داد که الگوریتم ژنتیک با میزان r برابر با NMSE 0/89 برابر با 0/554، همچنین با ضریب نش- ساتلکیف برابر با 0/658 و AMبرابر با 0/655 نسبت به مدل MLP عملکرد بهتری داشته است. اما با این وجود در مجموع شبکه عصبی در این حوزه کارایی کاملارضایت بخشی را در پیش بینی دقیق باررسوبی نشان نداد. این می تواند به دلیل کمبود داده های آموزشی و غیر دقیق بودن و وجود خطا درآمار حوزه باشد.

کلیدواژه ها:

شبکه عصبی ، پرسپترون چند لایه ، ارگوریتم ژنتیک ، دبی آب ، دبی رسوب