استفاده از شبکه عصبی مصنوعی در آنالیز حساسیت تاثیر پارامترها بر بار معلق رسوب ( مطالعه موردی لیقوان چای

در این تحقیق مدل شبکه عصبی مصنوعی (ANN) بعنوان یک مدل جعبه سیاه جهت بررسی تاثیر درجه حرارت و دبی جریان بر میزان بار رسوب معلق حوضه آبریز لیقوان چای معرفی می گردد. مدل شبکه عصبی مصنوعی با الگوریتم آموزشی لونبرگ- مارگارت قانون یادگیری پس انتشار خطا (BP) برای تعیین ساختار بهینه مدل استفاده گردید. پس از تعیین ساختار بهینه مدل، تمام الگوریتمهای آموزشی قانون پس انتشار خطا نیز مورد بررسی قرار گرفتند تا مقایسه ای بین نتایج مدل ANN با نتایج مدلهای آماری همچون مدل رگرسیون، مدل سری زمانی خود همبسته (AR)،مدل منحنی توانی و مدل رگرسیون خطی چند متغیره (MLR) صورت گرفت. از روی نتایج حاصله می توان عملکرد بهتر مدل ANN بر مدلهای آماری کلاسیک را بیان کرد، آما مورد مدل خود همیشه مرتبه بالاتر، مدل ANN بر مدلهای آماری کلاسیک را بیان کرد، اما در مورد مدل خود همبسته مرتبه بالاتر، مدل ANN توانایی کمتری در انعکاس رفتار استوکاستیکی متغیرهای هیدرولوژیکی داشته و اغلب در پیش بینی های قطعی بکار گرفته می شود. در این تحقیق حساسیت کمتر رسوب معلق به درجه حرارت محیط استنباط شده است.

Keywords:

بار معلق رسوب , مدل شبکه عصبی مصنوعی , مدلهای آماری , آنالیز حساسیت , لیقوان چای