تحليل حساسيت توابع محرك مدل شبكه عصبي مصنوعي در تخمين غلظت رسوبات معلق

تخمين و ارزيابي حجم رسوب انتقال يافته در رودخانه از جمله مسائل مهم در مهندسي هيدروليك و مهندسي محيط زيست است و از ديدگاه فرسايش، رسوب گذاري، برداشت مصالح از رودخانه، كشتيراني و مديريت بهره برداري از سدها همواره براي مهندسين و دانشمندان حايز اهميت بوده است . ماهيت غير خطي و همچنين دامنه تغييرات وسيع در غلظت بار رسوبي، ايجاب مي كند كه يك روش غير خطي براي برآورد و ارزيابي بار رسوبي به كار گرفته شود . اين مقاله با استفاده از شبكه هاي عصبي مصنوعي به پيش بيني توزيع غلظت بار رسوبات معلق مي پردازد . براي اين
منظور از روش الگوريتم پس انتشار ) (Back Propagation استفاده مي شود . جهت آموزش و آزمايش مدل شبكه عصبي از داده هاي رودخانه هاي Mississippi و Colorado استفاده شده است . نتايج نشان دهنده اين واقعيت است كه مدل شبكه عصبي توانايي بالايي در مدل سازي بار معلق رسوب رودخانه داشته است . همچنين در اين تحقيق در جهت افزايش دقت مدل بر روي توابع محرك و نيز پارامترهاي ورودي به مدل شبكه عصبي تحليل حساسيت لازم صورت پذيرفته است . نتايج حاكي از آن است كه پارامترهاي بدون بعد لورسن همبستگي مناسبي با رسوبات دارند .