مقایسه نتایج حاصل از شبکههای عصبی RBF و MLP در مدلسازی نوسانات سطح آب زیرزمینی آبخوانهای کارستی

شبیه سازی نوسانات سطح آب زیرزمینی با استفاده از مدلهای عددی نیاز به شناسایی شرایط مرزی، تعیین دادههای ورودی، کالیبراسیون و صحت سنجی، دشوار، زمان بر و پرهزینه می باشد. اما روشی که در سالهای اخیر مورد توجه مهندسین هیدروژئولوژی قرار گرفته است، استفاده از شبکه های عصبی مصنوعی موسوم به پرسپترون چند لایه (MLP) و شبکههای تابع پایه شعاعی (RBF) میباشد که از پرکاربردترین شبکه ها در مسایل تقریب توابع هستند. هدف از تحقیق حاضر مقایسه این دو نوع شبکه عصبی جهت شبیهسازی نوسانات سطح آبزیرزمینی در آبخوانهای کارستی است . در تاقدیس سبزپوشان با استفاده از آمار بارندگی به عنوان دادههای ورودی و آمار آبدهی چشمه کارستی پیربنو به عنوان خروجی شبکه عصبی مصنوعی چند لایه با ساختاری شامل دو لایه میانی با 12 نرون، یک لایه خروجی با یک نرون و شبکه عصبی مصنوعی تابع پایه شعاعی با ساختاری شامل یک لایه ورودی و یک لایه مخفی با 70 نرون و یک لایه خروجی طراحی گردید . برای ساخت یا آموزش شبکه از ده سال اول آمار و برای صحت سنجی یا آزمایش شبکه از دوسال آخر آمار استفاده گردید. در مقایسه دو شبکه عصبی نتیجه می گیریم که شبکه های MLP طراحی شده از دقت بالاتری نسبت به شبکه های RBF برخوردار میباشند.

Keywords:

شبکههای عصبی مصنوعی , پرسپترون چند لایه , تابع پایه شعاعی