کاربرد الگوریتم ژنتیک در بهینه سازی پارامترهای ورودی بی بعد به مدل شبکه های عصبی مصنوعی جهت پیش بینی انتقال بار معلق رودخانه های آبرفتی (مطالعه موردی رودخانه کارون)

از آنجا که برآورد دقیق حجم رسوبات، مهم ترین عامل در ساماندهی رودخانه ها ، بهره برداری از منابع آب و تعیین عمر مفید سدها می باشد، لذا، استفاده از روش هائی با دقت و مناسب جهت محاسبه بار رسوب از مهم ترین اهداف پروژه های مرتبط با رسوب محسوب می شود. با توجه به این مسئله روش های هوشمند مصنوعی نظیر شبکه های عصبی مصنوعی و الگوریتم ژنتیک به عنوان گزینه هایی مناسب جهت حل مسائل مختلف (به خصوص پیچیده با دامنه تغییرات زیاد) پیشنهاد می شوند. شبکه های عصبی مصنوعی روشی هوشمند است که در آن یک سری از داده های ورودی و خروجی به شبکه معرفی شده و شبکه رابطه بین آنها را کشف کرده و از طریق آن با سعی و خطا بهترین ترکیب برای حل آن مسئله را به خود می گیرد.با توجه به ماهیت غیر خطی داده ها والگوریتم آموزش شبکه تعیین جواب های بهینه مشکل می باشدو در موارد زیادی در مینیمم های محلی گیر می افتند. الگوریتم ژنتیک نیز روشی هوشمند از بهینه سازی است که با الهام از ژنتکیک طبیعی و طبیعت فعالیت می کند ، که با استفاده از این روش بهینه سازی می توان از مشکل مذکور در شبکه های عصبی مصنوعی جلوگیری کرد. در این تحقیق از ترکیب توام شبکه عصبی و الگوریتم ژنتیک جهت برآورد بار معلق رسوبات رودخانه کارون حد فاصل ایستگاه ملاثانی تا ایستگاه اهواز استفاده شده است. از الگوریتم ژنتیک برای بخش آموزش شبکه عصبی مصنوعی استفاده شده است که نتایج حاصل از آن با شبکه عصبی مصنوعی که با الگوریتم پس انتشار آموزش داده شده است، مقایسه گردید. در این تحقیق از پارامترهای بی بعد بعد عنوان ورودی به شبکه های عصبی مصنوعی استفاده گردیده است که جهت استخراج این پارامترهای بی بعد بعد از داده های اندازه گیری شده و نرم افزار mike 11 استفاده شده است ، که در نهایت 5 حالت مختلف جهت ورودی و خروجی به مدل تعیین گردید. از طرفی نتایج حاصل از این شبیه سازی برای هر 5 حالت مورد تحلیل و بررسی قرار داده شد و با روش های تجربی معروف و روش منحنی سنجه مقایسه گردید که نشان دهنده تاثیر چشمگیر استفاده از الگوریتم ژنتیک در کاهش خطا می باشد.و در نهایت رابطه ای بین موثرترین پارامترهای بی بعد در انتقال بار معلق رسوب رودخانه کارون( با میزان بار رسوب)بدست آمد.