زهرا پاپی - دانشجوی کارشناسی ارشد سازه های آبی، دانشگاه زنجان
مسعود کرباسی - استادیار گروه مهندسی آب، دانشگاه زنجان

برآورد بار رسوبی در رودخانه ها یکی از مهمترین بخش های مطالعات انتقال رسوب و مهندسی رودخانه است کهکمک شایانی به کنترل و مهار خسارات ناشی از تجمع رسوب می نماید. پیشبینی دقیق مقدار رسوب اهمیت ویژه ای در مدیریت منابع آب، طراحی و بهره برداری از سازه های آبی دارد. هدف از این پژوهش ارایه روشی هوشمند به نام ماشین یادگیری شدید برای تخمین مقدار بار رسوب کل می باشد. برای این منظور از کرنل های Rbf و Lin، توابع فعال سازی نظیر Sig ،Sin ،Hardlim ،Tribas و Radbas با تعداد نرون 50-20-10 و 100 و نیز 3370 داده استفاده شده است که 70 درصد آن داده های آموزش و 30 درصد داده های آزمون می باشد. متغیرهای ورودی با توابع و کرنل های فوق مدل شده و پس از انتخاب بهترین مدل، نتایج حاصل با دو معادله انتقال رسوب مقایسه شدند. شاخص های آماری نشان داد که در مدل ماشین یادگیری، دقت تابع R2=0/7) Sig50 و RMSE=768/3 )برای داده های با بعد و R2=0/9) Sin10 و RMSE=493/5 )و کرنل R2=0/8) Rbf و RMSE=706/8 )برای داده های بدون بعد آزمایشگاهی بیش از سایر مدلهاست. رابطه انگلوند - هانسن( R2=0/7 و RMSE=716/4 )نیز نسبت به یانگ در برآورد باررسوب کل عملکرد بهتری دارد.

بار رسوبی، پیش بینی، روش هوشمند، معادلات تجربی