برآورد بار رسوب معلق روزانه با استفاده از روش های محاسبات نرم (شبکه عصبی، نروفازی و الگوریتم ژنتیک) و داده های آب و هواشناسی (مطالعه موردی در ایستگاه هیدرومتری سیرا – حوزه آبخیز کرج)

برآورد دقیق مقدار رسوب معلق رودخانه ها، به دلیل نقش و اثرات منفی آن در کاهش شاخص های کیفی آب، انتقال آلودگی، کاهش ظرفیت مخازن و کانال ها، از اهمیت ویژه ای برخوردار می باشد. در پژوهش حاضر، که با هدف برآورد هر چه دقیق تر مقدار غلظت و بار رسوب معلق روزانه ایستگاه هیدرومتری سیرا (واقع بر رودخانه کرج در حوزه آبخیز سد کرج) انجام گردیده، برآورد رسوب معلق، از دو منظر کاملا"متفاوت مورد بررسی قرار گرفته است. در رویکرد اول، به منحنی سنجه ی رسوب و مشکلات آن پرداخته شده و سپس، نوآوری و راهکارهائی جهت اصلاح آن ارائه شده است. در رویکرد دوم که مقصود اصلی این تحقیق می باشد، افزون بر متغیر دبی جریان، به نقش متغیرهای بارش و دمای روزانه به عنوان دو متغیر تاثیرگذار در تولید رواناب و رسوب در حوضه، پرداخته شده و از روش های محاسبات نرم (شبکه عصبی مصنوعی (mlp) و سیستم استنتاج فازی-عصبی تطبیقی (anfis))، جهت مدل سازی برآورد رسوب استفاده شده است. شایان ذکر است که در هر دو رویکرد مدل سازی، از تفکیک زمانی داده ها و الگوریتم های خوشه بندی (خوشه بندی فازی (fuzzy-c-means) و شبکه عصبی نگاشت خود سازمان ده (self-organizing map) جهت ساخت مجموعه داده های همگن و مشابه واسنجی، اعتبارسنجی و ارزیابی استفاده شده است. در پژوهش حاضر به منظور مدل سازی برآورد رسوب معلق، از داده های دبی جریان، متوسط بارش و متوسط دمای حوضه (در مقیاس روزانه و با زمان های تاخیر تا حداکثر 5 روز) به عنوان داده های ورودی و از غلظت رسوب معلق روزانه به عنوان داده خروجی مدل ها، در یک دوره زمانی 29 ساله (سال های 1360 تا 1390به استثناء سال 88-87)، استفاده شده است. در این رابطه، با توجه به نقش تغییرات فصلی و وضعیت جریان رودخانه در تولید و انتقال رسوب حوضه، داده های مورد استفاده ابتدا بر اساس رژیم بارش (بارانی، بارانی-برفی)، وضعیت هیدروگراف جریان (صعودی، نزولی، پایه) و نوع رواناب (ذوب برف، بارش، دبی پایه)، به 6 گروه (ماه های اسفند و فروردین گروه 1، ماه های اردیبهشت و خرداد گروه 2، ماه های تیر، مرداد و شهریور گروه 3، ماه های مهر و آبان گروه 4، ماه های آذر، دی و بهمن گروه 5 و تمامی ماه ها گروه 6) تفکیک و پس از آن، برای هر گروه، با توجه به ترکیب متغیرهای ورودی، مدل های مختلفی از شبکه عصبی، نروفازی و منحنی سنجه ی رسوب (مجموعا" 301 مدل) طراحی گردید. در رویکرد اول در استفاده از منحنی سنجه ی رسوب، تحقیقات نشان می دهد که محاسبه ضرائب منحنی از طریق تبدیل لگاریتمی داده ها و روش حداقل مربعات خطا، سبب ایجاد نوعی اریب در مقادیر ضرائب مدل شده باعث می گردد، تا مقادیر رسوب برآورد شده، کمتر از مقدار واقعی خود باشند. به منظور برطرف نمودن اریب موجود، ضرایب تصحیح مختلفی تاکنون پیشنهاد شده که استفاده از آن ها، نتایج متفاوتی را به همراه دارد. به منظور رفع مشکل و ارائه یک راهکار مناسب، در پژوهش حاضر، از الگوریتم ژنتیک (ga) و الگوریتم بهینه سازی انبوه ذرات (pso) جهت واسنجی مدل رگرسیونی منحنی سنجه ی رسوب استفاده گردید. نتایج نشان داد که استفاده از الگوریتم های فرامکاشفه ای، نتایج مدل سازی را به میزان قابل توجهی بهبود بخشیده، سبب پرهیز از بکارگیری ضرائب تصحیح و تبدیل لگاریتمی داده ها می شود. نتایج این بخش از تحقیق می تواند در مدل های مختلف منحنی سنجه ی رسوب بکار گرفته شده، سبب تدقیق نتایج آن ها گردد. نتایج تحقیق در رویکرد دوم نشان داد که استفاده از متغیرهای بارش و دمای روزانه، و جایگزینی روش های محاسبات نرم به جای منحنی سنجه ی رسوب، نقش بمراتب مهم تری را در افزایش دقت برآورد رسوب رودخانه داشته است. نتایج تحقیق همچنین نشان داد که کارائی مدل ها با تفکیک زمانی داده ها رابطه مستقیم داشته و هر چه داده های مورد استفاده، همگن تر و مربوط به شرایط هیدرواقلیمی محدودتری باشند، برآورد رسوب دقیق تر و به مقدار واقعی خود نزدیک تر خواهد بود. در مجموع، از بررسی و مقایسه نتایج کارائی مدل ها در دو رویکرد مدل سازی، نتایج مدل های نروفازی بهتر از نتایج مدل های شبکه عصبی و نتایج مدل های شبکه عصبی بهتر از روش منحنی سنجه ی رسوب ارزیابی گردید.