قابلیت شبکه‌های عصبی مصنوعی جهت مدل‌سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب

رسوبات حمل شده توسط رودخانه می‌تواند باعث بوجود آمدن خساراتی به اراضی کشاورزی و تأسیسات آبی گردد. برآورد صحیح بار رسوب در تأسیسات آبی مانند سدها باعث جلوگیری از صرف هزینه‌های اضافی خواهد شد. کشور ما ایران با دارا بودن رودخانه‌های متعدد، پتانسیل بالایی جهت ایجاد سد دارد. یکی از دلایل آن کاهش یافتن ظرفیت انتقال آب توسط مقطع رودخانه به دلیل انباشتگی رسوبات می‌باشد. لذا بررسی پدیده رسوب و برآورد رسوب حمل شده توسط رودخانه اهمیت خاصی دارد. در این راستا تخمین بار معلق رسوب، توجه مدل‌ساز‌های شبکه‌های عصبی مصنوعی را به خود معطوف کرده است. در این تحقیق از شبکه­های عصبی مصنوعی برای برآورد رسوب ایستگاه آخولا واقع بر روی رودخانه آجی­چای  در استان آذربایجان شرقی استفاده شد. اطلاعات این ایستگاه شامل دبی و رسوب روزانه می باشد. در مراحل مختلف برآورد اثر ترکیبی عوامل مختلف دبی آب و دبی رسوب در کارایی شبکه، مورد بررسی قرار گرفت.  به منظور بررسی تاثیر رسوب و دبی  ایستگاه های بالادست، علاوه بر داده‌های ایستگاه آخولا از داده‌های ایستگاه‌های ونیار و مرکید نیز برای آموزش شبکة عصبی بکار رفت که بهترین نتیجه را در پی داشت. از روش کلاسیک منحنی سنجه نیز برای برآورد رسوب این ایستگاه استفاده گردید. برای بهینه‌سازی ضرایب رگرسیونی منحنی سنجه از الگوریتم ژنتیک استفاده شد و البته  نتایج بهتری نسبت به روش کلاسیک نداد. با توجه به نتایج بدست آمده تخمین با رسوب در چند ایستگاه با استفاده از شبکه‌های عصبی، کارآیی بهتری داشت.