ارزیابی عملکرد شبکه عصبی مصنوعی در پیش‎بینی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام

در این تحقیق از مدل شبکه عصبی پرسپترون چند لایه(MLP-NN) برای شبیه‎سازی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام استفاده شد. مدل شبکه عصبی با استفاده از داده‎های آزمایشگاهی سه زیرحوضه سد ایلام در سال‎های 89-1388 طراحی گردید. متغیرهای ورودی شبکه عصبی برای مدل‎سازی اکسیژن محلول شامل اسیدیته آب، هدایت الکتریکی، کل جامدات معلق، دما، فسفر کل، سولفات، آمونیوم، آهن و نیتروژن کل بودند. متغیرهای ورودی برای شبکه عصبی برای مدل‎سازی فسفر کل شامل فسفات و دما است که در یک نقطه در نزدیکی محل بدنه سد و در عمق‎های مختلف اندازه‎گیری شده‎اند. عملکرد مدل‎ها با استفاده از شاخص‎های ضریب تبیین (R2)، خطای نسبی و مجموع مربعات خطا(SSE)  ارزیابی شد. با توجه به نتایج شبکه عصبی تمامی متغیرهای در نظر گرفته شده بر روی مدل‎سازی اکسیژن محلول مؤثر بوده و مؤثرترین پارامتر میزان کل جامدات معلق بود. در مدل‎سازی فسفر کل نیز فسفات مؤثرتر از دما بود. ضریب تبیین به‎دست آمده بین مقادیر شبکه عصبی و مقادیر اندازه‎گیری شده برای اکسیژن محلول813/0 و برای فسفر کل 940/0 بود.  در ادامه، نتایج حاصل از مدل‎های شبکه عصبی با نتایج حاصل از مدل دوبعدی متوسط‎گیری شده عرضی CE-QUAL-W2 مقایسه شده است. براساس نتایج، مدل پرسپترون چند لایه (MLP) در پیش‎بینی متغیرهای کیفیت آب دقت بالاتری را نسبت به مدل عددی نشان داد. نتایج همچنین نشان داد که شبکه عصبی قادر به پیش‎بینی تغذیه‎گرایی با دقت قابل قبولی است و می‎توان از آن به‎عنوان یک ابزار مفید برای مدیریت کیفی آب مخازن استفاده نمود.