ارزیابی کارآیی شبکه های عصبی در پیش بینی بارمعلق (مطالعه موردی؛ حوزه آبخیز سد کارده مشهد)

فرسایش و رسوب¬گذاری، منجر به از دست رفتن خاک حاصل¬خیز کشاورزی و ایجاد خسارت¬های برون¬منطقه¬ای می¬گردد. هم¬چنین حمل رسوب روی شاخص¬های کیفی آب نیز موثر است، لذا برآورد مقدار رسوب در پروژه¬های حفاظت خاک، طراحی و اجرای سازه¬های آبی، و بهره¬برداری از منابع آب ضرورت دارد. برآورد رسوب معلق تابع عوامل زیادی است که ممکن است مدل کردن همه¬ی آن¬ها به صورت تحلیلی مشکل باشد بنابراین استفاده از تکنیک¬های هوش مصنوعی که توانایی قابل توجهی درشبیه¬سازی فرآیند¬های پیچیده دارند مفید به نظر می¬رسد. در پژوهش حاضر با استفاده از روش شبکه عصبی مصنوعی، مدل های پرسپترون چند لایه(mlp) و رگرسیون عمومی(grnn) به تخمین رسوب معلق در ایستگاه هیدرومتری سد کارده واقع در خراسان رضوی پرداخته شد. شبکه های عصبی grnn اغلب به عنوان توابع تخمین استفاده می شوند. که شامل یک لایه radial basis و یک لایه خطی ویژه می باشد. شبکه پرسپترون چند لایه شامل سه لایه ی ورودی، مخفی و خروجی است که تعداد نرون های هر لایه به روش سعی و خطا مشخص می گردد. پس از کنترل داده ها،بررسی همگنی و نرمالیته داده ها از داده های دبی جریان، بارش، دبی روزقبل، بارش روزقبل متناظر با دبی رسوب به عنوان ورودی شبکه و از دبی رسوب برای محاسبه خروجی شبکه استفاده شد. مدل های مذکور فرآیند آموزش را طی کرده و طی این فرآیند وزن های شبکه بهینه شده و از شبکه ی آموزش دیده جهت برآورد رسوب معلق استفاده گردید، سپس با استفاده از شاخص های آماری به مقایسه مقادیر داده های برآوردی و واقعی و تعیین نقاط ضعف و قوت مدل در پیش بینی رسوب معلق پرداخته شد. در انتها مدل شبکه عصبی رگرسیون عمومی در برخی پارامتر های ورودی نسبت به شبکه عصبی پرسپترون با نتایج قابل قبول تری همراه بود.