مهندسی دریا
حسین بهرامی؛ صمد امامقلی زاده
چکیده
در هیدرولیک رسوب، برآورد صحیح غلظت رسوب معلق از جهات مختلف مانند تخمین دبی رسوب عبوری، جانمایی سازه های هیدرولیکی و غیره مهم می باشد. با توجه به اهمیت موضوع، در این مطالعه برای مدلسازی و پیشبینی غلظت رسوب رودخانه کارون از شبکه عصبی مصنوعی پرسپترون چند لایه(ANN/MLP) استفاده شد. بدین منظور از 125 سری داده صحرایی اندازه گیری شده شامل غلظت ...
بیشتر
در هیدرولیک رسوب، برآورد صحیح غلظت رسوب معلق از جهات مختلف مانند تخمین دبی رسوب عبوری، جانمایی سازه های هیدرولیکی و غیره مهم می باشد. با توجه به اهمیت موضوع، در این مطالعه برای مدلسازی و پیشبینی غلظت رسوب رودخانه کارون از شبکه عصبی مصنوعی پرسپترون چند لایه(ANN/MLP) استفاده شد. بدین منظور از 125 سری داده صحرایی اندازه گیری شده شامل غلظت نزدیک کف، سرعت نقطه ای، نزدیکترین فاصله از ساحل، عمق کل جریان و عمق نقطه ای جریان استفاده شد. کارایی مدل مورد استفاده با استفاده از پارامترهای آماری مانند ضریب تبیین(R2) و ریشه میانگین مجذور خطا، میانگین خطای مطلق(RMSE)مورد ارزیابی قرار گرفت. نتایج این پژوهش نشان داد، مدل MLP با یک لایه میانی، تابع سیگمویید و 5 نرون، بهترین ساختار را در مدلسازی غلظت رسوب رودخانه کارون داشتهاند. مقدار ضریب تبیین(R2) و خطای ریشه میانگین مربعات خطا(RMSE) برابر 953/0 و 37/63 میلی گرم بر لیتر به ترتیب در مرحله آموزش و752/0 و 02/203 میلی گرم بر لیتر در مرحله صحتسنجی بوده است. همچنین آنالیز حساسیت انجام شده بر روی پارامترهای ورودی مدل نشان میدهد کمترین و بیشترین تاثیر را دو پارامتر فاصله از ساحل و عمق جریان در یادگیری شبکه عصبی مصنوعی داشتند.