محمودرضا طباطبایی؛ امین صالح پور جم؛ جمال مصفایی
چکیده
برآورد صحیح مقدار رسوب معلق رودخانهها، نقش مهمی در مطالعات فرسایش و رسوب، هیدرولوژی و مدیریت حوزههای آبخیز دارد. شبیهسازی رسوب معلق در سیستمهای هیدرولوژیکی که دارای پیچیدگیهای زیاد بوده و درعینحال درک و دانش ما از اجزاء و فرآیندهای درون آنها همواره با عدم قطعیت روبرو است سبب کاربرد فراوان مدلهای هوشمند و از جمله شبکههای ...
بیشتر
برآورد صحیح مقدار رسوب معلق رودخانهها، نقش مهمی در مطالعات فرسایش و رسوب، هیدرولوژی و مدیریت حوزههای آبخیز دارد. شبیهسازی رسوب معلق در سیستمهای هیدرولوژیکی که دارای پیچیدگیهای زیاد بوده و درعینحال درک و دانش ما از اجزاء و فرآیندهای درون آنها همواره با عدم قطعیت روبرو است سبب کاربرد فراوان مدلهای هوشمند و از جمله شبکههای عصبی مصنوعی شده است. با این حال، استفاده از این مدلهای هوشمند نیز با چالش روبرو است. تعیین ساختار مناسب شبکه مستلزم بهینه نمودن پارامترهای مورداستفاده در آن (نظیر تعداد بهینه نرونها و لایهها، وزن و بایاس و نوع توابع فعالسازی) بوده که واسنجی مناسب آنها به روش آزمون و خطا، ضمن کارایی کم، منجر به صرف زمان زیاد میشود. در پژوهش حاضر، به منظور شبیهسازی بار رسوب معلق روزانه رودخانه نیرچای )در محل ایستگاه آب سنجی نیر در استان اردبیل) از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. به منظور آموزش مدل شبکه عصبی، علاوه بر روش مرسوم پس انتشار خطا، از الگوریتم بهینهسازی ازدحام ذرات (Particle Swarm Optimization (PSO))، به منظور بهینهسازی مقادیر وزن و بایاس نرونهای مدلهای شبکه عصبی استفاده گردید. به منظور افزایش قدرت تعمیم دهی مدلها، از خوشهبندی فازی استفاده شد. نتایج گرفتهشده از پژوهش حاضر نشان داد که آموزش مدلهای شبکه عصبی با الگوریتم PSO با کاهش خطای برآورد رسوب (کاهش خطای برآورد کل و ریشه میانگین مربعات خطا به ترتیب تا 3/0 درصد و 4/10 تن در روز) کارایی بیشتری نسبت به مدلهای شبکه عصبی که صرفاً از روشهای پس انتشار خطا استفاده مینمایند داشته است. با توجه به اینکه در بهینهسازی پارامترهای شبکه عصبی، الگوریتمهای تکاملی (نظیر الگوریتم PSO) قادر به ارائه راهحلهای مناسبی هستند ، لذا در شبیهسازی پدیدهها و متغیرهای پیچیده حوزههای آبخیز (نظیر رسوب معلق) میتوان از این توانمندی استفاده نمود.