مقایسه مدلسازی بار رسوب کل رودخانه ها با استفاده از برنامه نویسی ژنتیک و شبکه عصبی مصنوعی

برآورد بار رسوب کل رودخانه ها یکی از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. لیکن ماهیت چندبعدی و وابستگی غیرخطی متغیرها با یکدیگر مسئله ای چالش برانگیز در مدلسازی انتقال بار رسوب رودخانه است. بار رسوب می تواند به کمک روابط مختلف محاسبه شود. هدف از این پژوهش مقایسه دو روش شبکه های عصبی مصنوعی ( ANN )و برنامه نویسیس ژنتیک در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه ( MLP )و توابع پایه شعاعی ( RBF) در روش شبکه های عصبی مصنوعی استفاده شد. به همین منظور از 200 نمونه، استفاده شد. 75 درصد از داده هابرای آموزش و 25 درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای سرعت جریان، عرض کانال، عمق جریان، شیب خط انرژی و قطر میانه اندازه ذرات به عنوان ورودی مدل و غلظت رسوب کل به عنوان خروجی مدل در نظر گرفته شدند. نتایج نشانداد که شبکه های عصبی بهویژه مدل MLP 2 با ضریب همبستگی 0/96و RMSE0/87 ، در مقایسه با مدل طراحی شده الگوریتم ژنتیک با ضریب تبیین 0/90 وRMSE ، برابر با 0/42غلظت رسوب کل را با دقت مطلوب تری برآورد می نماید.

Keywords:

انتقال رسوب , برنامه نویسی ژنتیک , غلظت رسوب کل , مدل هوشمند , شبکههای عصبی مصنوعی