محمودرضا طباطبایی - Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO)
امین صالح پورجم - Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO)
سید احمد حسینی - Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO)

     برآورد صحیح مقدار رسوب معلق نقش مهمی در طراحی بهینه سازه های آبی، مطالعات فرسایش و رسوب و مطالعات کیفی آب دارد. منحنی سنجه رسوب، یک مدل رگرسیونی مرسوم و شناخته شده در این زمینه بوده، بااین حال به دلیل تبدیلات لگاریتمی در واسنجی این مدل، مقادیر برآوردی آن اغلب کمتر از مقدار واقعی است. در پژوهش حاضر، با استفاده از داده های دبی لحظه ای جریان و بار رسوب معلق ایستگاه هیدرومتری بیطاس در رودخانه مهاباد چای، مدل منحنی سنجه رسوب واسنجی و پس ازآن، با استفاده از الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب (NSGA-II)، ضرایب این مدل مجددا بهینه شد. این الگوریتم یک روال خودکار بوده و می تواند توابع هدف مختلفی را در فرآیند واسنجی به­طور هم زمان مورد استفاده قرار دهد. در این رابطه در فرایند واسنجی مدل از چهار تابع هدفRMSE ،MAE ، NSE و LOGE  به­طور دوبه دو استفاده گردید که با توجه به نتایج ارزیابی مدل، توابع هدف NSE و LOGE به عنوان بهترین توابع هدف جهت بهینه سازی مدل انتخاب شدند. همچنین به منظور افزایش قدرت تعمیم دهی مدل ها، از شبکه عصبی بدون ناظر نگاشت خودسازمان ده (SOM) برای خوشه بندی داده ها و تشکیل دو مجموعه داده همگن (مجموعه های واسنجی و ارزیابی) به نسبت ۷۰ و ۳۰ درصد استفاده شد. نتایج نشان داد که استفاده از الگوریتم NSGA-II سبب افزایش کارایی مدل شده به نحوی که نتایج آن، از نتایج دیگر مدل های مرسوم منحنی سنجه رسوب (نظیر منحنی سنجه حد وسط دسته ها، منحنی سنجه های تصحیح شده با ضرایب تصحیحی) بهتر است. در این رابطه، مقدار خطای (RMSE) داده های آزمون در بهترین مدل منحنی سنجه، ۶۵/۳۸۳ تن در روز محاسبه گردید که با استفاده از الگوریتم NSGA-II به ۹۴/۱۰۲ تن در روز کاهش یافت. درمجموع، با استفاده از الگوریتم NSGA-II می توان ضرایب مدل منحنی سنجه رسوب را به نحوی بهینه نمود که کارایی آن بیشتر از سایر مدل های سنتی گردد.

Artificial Neural Network, Clustering, Curve, Non-dominated Sorting Genetic Algorithm II (NSGA-II), Sediment Rating Self-Organizing Map, Suspended Sediment, الگوریتم بهینه سازی چند هدفه با مرتب سازی نامغلوب, رسوب معلق, خوشه بندی, شبکه عصبی مصنوعی, منحنی سنجه رسوب, نگاشت خودسازمان ده