Abstract:
رسوبات رودخانهای به دو صورت منتقل میشوند: یا این مواد درون جریان آب غوطه ور هستند و همراه با آب در حرکت میباشند که به آنها مواد رسوبی معلق گفته میشود و میزان مواد رسوبی معلق را که در واحد زمان از یک مقطع رودخانه عبور کند، بار معلق مینامند. منطقه مورد مطالعه در این پژوهش حوضه آبریز رودخانه ونایی است. این منطقه در شهرستان بروجرد، در استان لرستان در غرب ایران واقع شده است، پژوهش حاضرازنوع کاربردی است. بدین صورت که، ابتدا مشخصات زیرحوضههای این رودخانه استخراج شده است این مشخصات شامل مشخصات فیزیکی زیرحوضهها از جمله مساحت، محیط و طول آبراههها و مشخصات مربوط به دبی رودخانه و میزان رسوب آن است. در ادامه با روشهای رگرسیون خطی چند متغیره، شبکه عصبی پیش خور چندلایه (MLP) به تخمین بار رسوب پرداخته شد. پس از محاسبه شاخصهای RMSE و MAE با توجه به این امر که هرچقدر میزان این شاخصها کمتر باشد مقدار پیش بینی شده به مقادیر واقعی نزدیکتر است بنابراین باتوجه به شواهد حاصله مدل شبکه عصبی مصنوعی MLP دقت بهتری را نسبت به مدل دیگر در تخمین میزان رسوب منطقه نشان میدهد. از سوی دیگر با توجه به مقدار شاخص R2 که برای دومدل محاسبه شده است دقت تخمین مدل به مقدار90. 47 برای مدل MLP محاسبه شده است، مقدار R2 برای این مدل برابر 0. 89 است. پس از مدل شبکه عصبی مصنوعی MLP. مدل رگرسیون خطی چند متغیره با مقدار R2 برابر با 0. 353 قرار دارد. و این نشان دهنده ی دقت سه برابری مدل MLPنسبت به مدل رگرسیون میباشد مدل رگرسیون خطی نیز به علت این امر که تنها روابط خطی بین متغیرها را در نظر میگیرد بیشترین میزان خطا را دارد.
The purpose of this study was to estimate the amount of sediment of Vanai River in Borujerd. In this research, the characteristics of the sub-basins of this river have been extracted first. These specifications include the physical characteristics of the sub-basins, including the area, the environment and length of the waterways, and the characteristics of the river flow, and its sediment content. In the following, multivariate linear regression, multilevel prefabricated neural network (MLP) and radial function-based neural network (RBF) models are used to model sediment estimation. After estimating the model, the mean square error index (RMSE) was used to compare the models and select the best model. Evidence has shown that initially the MLP's neural network model had the best estimate with the lowest error rate (90.44) and then the RBF model (151.44) among the three models. The linear regression model has the highest error rate because only linear relationships between variables are considered.