برآورد بار رسوبی همواره برای طیف وسیعی از مسائل طراحی و قضاوت های هندسی از قبیل طراحی مخازن و سدها، انتقال رسوب و آلودگی در رودخانه ها، دریاچه ها و مصب ها، طراحی کانالهای انتقال آب و بندها و حوضچه های رسوب گیر، مسیل ها و ارزیابی اثرات زیست محیطی مورد نیاز بوده و تخمین صحیح آن باعث جلوگیری از صرف هزینه های اضافی خواهد شد. تاکنون تعداد زیادی از مدل های فیزیکی و تخریبی جهت برآورد با رسوب مورد استفاده قرار گرفته است اما این مدل ها دارای دقت مطمئنی نیستند. اخیراً روش شبکه عصبی مصنوعی در شاخه های مختلف علمی به کار گرفته شده است. این روش یک مدل غیرخطی می باشد و به نظر می رسد روش مفیدی برای تخمین رسوب باشد. در این تحقیق از شبکه عصبی مصنوعی پیش خور پس انتشار خطا (feed forward back propagation) با الگوریتم بهینه سازی لونبرگ- مارکوارت (levenberg-marquardt) جهت ایجاد مدل های سه لایه ای برای تخمین رسوب روزانه حوضه استفاده شده است. داده های حوضه رودخانه ایل واقع در ایالت کالیفرنیا در کشور آمریکا جهت مدل سازی به کار رفته است. انواع مدل های شبکه عصبی مصنوعی غیر ژئومورفولوژیکی و مبتنی بر ژئومورفولوژی حوضه ایجاد شده و بهترین ساختار آنها بر مبنای معیارهای کارایی ارایه شده است. در ابتدا همانند مدل های شبکه عصبی معمول تخمین رسوب، مدل های شبکه عصبی تک ایستگاهی ایجاد شدند با این تفاوت که فقط از داده های بارش امروز و رواناب امروز و روزهای پیشین استفاده شد و داده های رسوب روزهای گذشته در نظر گرفته نشد. در ادامه با تغییر ساختار شبکه، مدل شبکه عصبی چند ایستگاهی، به منظور تخمین رسوب همزمان چند ایستگاه ایجاد شد و با استفاده از خوشه بندی مکانی داده های ورودی، عملکرد آنها بهبود بخشیده شد. در انتها از داده های ژئومورفولوژیک به همراه داده های بارش و رواناب جهت آموزش یک مدل شبکه عصبی مبتنی بر ژئومورفولوژی حوضه استفاده شد. این مدل عملکرد بهتری نسبت به سایر مدل های شبکه عصبی ایجاد شده داشت. همچنین این مدل نشان داد قادر به تخمین زمانی و مکانی مقادیر رسوب است.

چکیده ندارد.

چکیده ندارد.