بابک اکبرپورصالح - دانشجوی کارشناسی ارشد سازه های هیدرولیکی و مهندسی آب، دانشگاه علم و فن، ارومیه، ایران
جواد بهمنش - استادگروه مهندسی آب، گروه مهندسی آب، دانشگاه ارومیه

انتقال رسوب یکی از مسائلی است که در دهه های گذشته مورد توجه بسیاری از دانشمندان علوم آب و هیدرولوژی بوده، ازآنجایی که استفاده ازروش های منحنی های سنجه رسوب همواره با خطای زیادی همراه است لزوم استفاده از روشی هوشمند مانند شبکه عصبی مصنوعی در برآوردمقدار بار معلق رسوب احساس می شود. برای برآورد بار رسوبی معلق رودخانه باراندوز، با شبکه عصبی با استفاده از سناریوهای مختلفمورد بررسی قرار گرفت. در حالت کلی با افزایش نرون ها در بخش آموزش و بخش شبیه سازی میزان همبستگی از ۰/۹۵ تا ۰/۹۹ افزایش داشته کهمیزان همبستگی به حالت خیلی خوب رسیده است. میزان همبستگی داده های ورودی و شبیه سازی نشان دهنده میزان صحت استفاده از مدل برایشبیه سازی دبی رسوب است. همانطور که از نتایج مشخص است برای ایستگاه بابارود استفاده از ۱۴ نرون باعث افزایش میزان همبستگی شدهاست. با این وجود در حجم بالای داده می توان گفت استفاده از شبکه ۸ نرونی با توجه به کاهش زمان پردازش جواب مورد تایید نیز را هم می دهد.برای ایستگاه دیزج فتحی هم استفاده از ۱۰ و ۱۲ نرون باعث افزایش میزان همبستگی شده است. با این وجود در حجم بالای داده می توان گفتاستفاده ا ز شبکه ۸ نرونی با توجه به کاهش زمان پردازش جواب مورد تایید نیز را هم می دهد. برای ایستگاه قاسملو هم استفاده از ۶ نرون باعثافزایش میزان همبستگی شده است. برای ایستگاه هاشم آباد هم استفاده از ۱۰ نرون باعث افزایش میزان همبستگی شده است. با این وجود در حجمبالای داده می توان گفت استفاده از شبکه ۸ نرونی با توجه به کاهش زمان پردازش جوا ب مورد تایید نیز را هم می دهد. در آخر استفاده از شرایطشبکه عصبی به خوبی برای شبیه سازی دبی رسوب رودخانه به میزان قابل توجه مناسب است.

تخمین بار رسوبی، بار رسوبی معلق، شبکه عصبی تر کیبی، شبکه عصبی مصنوعی، رودخانه باراندوزچای