Abstract:
حوضه رودخانه سنگورچای به عنوان یکی از شاخه های رودخانه قزل اوزن دارای حجم بالایی ازرسوبات است. با توجه به این نکته در این تحقیق برای تخمین بار معلق رسوبی روزانه از مدل پیش خور با الگوریتم پس انتشار خطا(FFBP) و تابع پایه شعاعی(RBF) استفاده شد. در واقع طبیعت غیر خطی بار معلق رسوبی استفاده از مدل های فوق را به عنوان مدل های غیرخطی در شبیه سازی این پارامتر اجتناب ناپذیر کرده است. لیکن پارامترهای ورودی برای هر مدل متفاوت بوده و در یک مرحله تنها از داده دبی استفاده شده و در مرحله بعد علاوه بر داده دبی از داده بارندگی نیز در هر مدل استفاده گردید. سپس برای تعیین کارایی مدل ها از فاکتور مجذور میانگین مربعات خطا(RMSE) و خطای تعیین(R2) استفاده شده و مشاهده می شود که مدل RBF در صورت استفاده از دو پارامتر دبی و بارندگی به عنوان پارامترهای ورودی، با برخورداری از خطای تعیین 9251/ 0 و مجذور میانگین مربعات خطای معادل 265 میلی گرم در لیتر به نتایج بهتری دست یافته است. در نهایت برای تعیین قابلیت پارامتر RMSE در صحت سنجی هر یک از مدل ها، از سیستم اطلاعاتی آکائیک(AIC) استفاده شده و مشاهده شد که مدل RBF با برخورداری از مقادیر آکائیک معادل 1042 از قابلیت بهتری برخوردار است.
Songurchay river basin is one of the Qaranghu river branches with high volume of sediments load. Due to this fact, feed forward back propagation model (FFBP) and radial basis function (RBF) was used in this study to estimate the suspended sediment load. Due to the non-linear nature of the suspended sediment load these using models as nonlinear models is inevitable to simulate these parameters. However, the input parameters for each model vary and in a single phase only discharge data were used and then beside the discharge data rainfall data were also used in each model. Then, to determine the efficiency of models, root mean square error (RMSE) and the error of determination (R2) was used and it was observed that the RBF model in the case of using two parameters, discharge and rainfall as an input parameters, has achieved better results with 0.9251 R2 and the root mean square error equivalent to 265 mg in liter. Finally, to assess the RMSE parameter the Akaike Information System (AIC) was used and it was observed that RBF models by having Akaike values equivalent to 1042 was more capabile.
Machine summary:
سپس برای تعیین کارایی مدل ها از فاکتور مجذور میانگین مربعات خطا (RMSE) و خطای تعیین (R٢) استفاده شده و مشاهده می شود که مدل RBF در صورت استفاده از دو پارامتر دبی و بارندگی به عنوان پارامترهای ورودی، با برخورداری از خطای تعیین ٠/٩٢٥١ و مجذور میانگین مربعات خطای معادل ٢٦٥ میلیگرم در لیتر به نتایج بهتری دست یافته است .
2- Minns et al 3- Fernando et al 4- Tokar et al 5- Cigizoglu 6- Shin et al 7- Thandaveswara et al 8- Ray et al 9- Cigizoglu 10- Cigizoglu کیسی ١١ (٢٠٠٤: ١٠٢٨)، با استفاده از مدل ANN و با بهره گیری از داده های دبی و رسوب به تخمین بار معلق رسوبی پرداخت .
کیسی (٢٠٠٥: ٦٩٢) برای مدل سازی بار معلق رسوبی روزانه از شبکه عصبی مصنوعی بهره گرفته و به این نتیجه دست یافته که مدل ANN نسبت به مدل منحنی سنج رسوبی از کارایی بهتری برخوردار است .
دهقانی و همکاران (١٣٨٩: ١٦٣) با استفاده از شبکه عصبی مصنوعی به تخمین بار معلق رسوبی رودخانه 11- Kisi 12- Cigizoglu& Kisi 13- Bhattacharya 14- Cigizoglu& Kisi 15- Tayfur& Guldal 16- Raghuwanshi 17- Brikundavyi et al 18- Cigizoglu 19- Cigizoglu et al 20- Maier & Dandy بهشت آباد پرداختند.
در این تحقیق برای پیش بینی دقیق بار معلق رسوبی از ٢ مدل شبکه عصبی مصنوعی با عناوین پرسپترون چند لایه با الگوریتم پیش خور پس انتشار (FFBP) و تابع پایه شعاعی(RBF) استفاده شد.