تعیین ضریب پخشیدگی طولی در آبراهه های طبیعی با استفاده از بهینه یابی شبکه عصبی مصنوعی

انتقال طولی آلاینده ها یکی از مراحل مهم در فرآیند رقیق سازی آلاینده ها می باشد که شناخت آن از اهمیت ویژه ای برخوردار است. دشواری اندازه گیری ضریب انتشار طولی در رودخانه ها نیاز به استفاده از روش های مناسب مدل سازی در پیش بینی این ضریب را بیشتر می کند، هدف از این پژوهش نیز برآورد ضریب پخشیدگی طولی در آبراهه های طبیعی با استفاده از بهینه یابی شبکه عصبی مصنوعی می باشد. در این پژوهش با آنالیز ابعادی متغیرهای ورودی و خروجی موثر در پخشیدگی طولی رودخانه تعیین گردید و در شبکه عصبی وارد گردید. متغیرهای عرض جریان رودخانه (w) ، عمق جریان (h) ، سرعت متوسط جریان (u) و سرعت برشی جریان رودخانه (u*) ، به عنوان متغیرهای ورودی و از متغیر ضریب پخشیدگی طولی (k) به عنوان ضریب پخشیدگی طولی به عنوان متغیر خروجی در شبکه عصبی استفاده گردید. مطابق نتایج بدست آمده در حالت بعد دار بهترین شبکه عصبی با ضریب همبستگی 0.919 با خطای RMSE برابر با 106.36 با 4 نرون در یک لایه مخفی با تابع آموزشی لورنبرگ بدست آمد؛ که پس از بهینه یابی میزان R2 برابر با 0.95 و خطای RMSE برابر با 59 / 57 گردید. در حالت بدون بعد نیز از متغیرهای (u/u*) و (w/h) جهت تعین متغیر بی بعد ضریب K استفاده شد. بهترین شبکه جهت مدلسازی در این حالت با شبکه عصبی با مقدار خطای RMSE برابر با 519 / 0 و مقدار ضریب همبستگی 989 / 0 بدست آمد. آنالیز حساسیت نیز ، جهت تعیین میزان اثر هر کدام از متغیرهای ورودی بر ضریب اختلاط طولی انجام پذیرفت. تحلیل نتایج بدست آمده نشان داد که استفاده از شبکه های عصبی مصنوعی کارایی بالایی در مدلسازی و شبیه سازی ضریب اختلاط طولی رودخانه دارد.

کلیدواژه ها:

رودخانه ، شبکه عصبی ، پرسپترون چند لایه ، بهینه یابی ، الگوریتم ژنتیک