حسین بهرامی - Department of Marine Structures, Faculty of Engineering, Khorramshahr University of marine science and technology
صمد امامقلی زاده - Department of Soil and Water, Faculty of Agriculture, shahrood industrial University

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 ۱۲۵ 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(R۲) 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 ۵ نرون، بهترین ساختار را در مدلسازی غلظت رسوب رودخانه کارون داشته اند. مقدار ضریب تبیین(R۲) و خطای ریشه میانگین مربعات خطا(RMSE) برابر ۹۵۳/۰ و ۳۷/۶۳ میلی گرم بر لیتر به ترتیب در مرحله آموزش و۷۵۲/۰ و ۰۲/۲۰۳ میلی گرم بر لیتر در مرحله صحت‎سنجی بوده است. همچنین آنالیز حساسیت انجام شده بر روی پارامترهای ورودی مدل نشان می دهد کمترین و بیشترین تاثیر را دو پارامتر فاصله از ساحل و عمق جریان در یادگیری شبکه عصبی مصنوعی داشتند.

Modeling, Sediment Concentration, Artificial Neural Network, Karoon river