گزارش فنی: مدل شبکه عصبی مصنوعی پرسپترون چند لایه برای پیش‌بینی دبی روزانه بار معلق رسوب و ارزیابی عوامل موثر در برآورد رسوب

پیش‌­بینی مقدار رسوب در طرح­‌های مهندسی منابع آب نظیر تأسیسات تنظیم و انحراف جریان و سدهای مخزنی از عوامل مهم در تعیین عمر مفید و بررسی عملکرد آن­‌ها است. در این تحقیق مدلی برای تخمین دبی روزانه رسوب، با استفاده از مدل شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا ارائه شد و عملکرد مدل با مدل رگرسیون غیرخطی چند متغیره و منحنی­‌سنجه رسوب در مراحل آموزش و آزمون مقایسه شد. بدین منظور از داده­‌های دبی لحظه­‌ای، بارش، شماره روز در سال و دبی آب در روز قبل در محدوده سال­‌های 1388-1369 در ایستگاه پل زغال واقع در حوضه رودخانه چالوس استفاده شد. نتایج حاصل از آزمون ترکیب­ مختلف مجموعه داده­‌های ورودی نشان داد، ابتدا پارامتر دبی لحظه­‌ای، سپس دبی روز قبل و در نهایت عوامل بارش و شماره روز سال به‌ترتیب بیشترین تأثیر را در عملکرد مدل دارند، این نتایج تطابق نسبتا خوبی با نتایج حاصل از آنالیز ضرایب استاندارد شده مدل رگرسیونی دارد. برای مقایسه ساختارهای مختلف شبکه عصبی از معیارهای ضریب تبیین (R2) و جذر میانگین مربع خطا (RMSE) استفاده شد. بدین ترتیب با حذف متغیر شماره روز سال، بهترین شبکه با ساختار 1-5-3 و مقادیر 0.89= R2 و 0.02=RMSE به‌دست آمد. نتایج حاصل از مقایسه مدل­‌ها نشان داد، در مرحله آموزش و آزمون به‌ترتیب روش منحنی­‌سنجه و مدل شبکه عصبی بهترین عملکرد را به خود اختصاص داده­‌اند و مدل شبکه عصبی مقدار ضریب همبستگی را تقریباً 16 درصد نسبت به دو روش دیگر افزایش داد. با استفاده از نتایج این تحقیق، عوامل موثر بر تخمین دبی رسوب شناسایی شده و می­‌توان در پروژه­‌ها، با صرف وقت و هزینه کمتر برآورد دقیق­‌تری از دبی رسوب داشت.