محمدابراهیم بنی‌حبیب؛ احسان امامی
چکیده
امروزه رسوب‌دهی حوزه‌های آبخیز از جمله مشکلات بهره‌برداری از منابع آب‌های سطحی در جهان است. با توجه به نقش و اهمیت رسوب در عمر مفید سدهای کشور، عدم توجه به اندازه‌گیری و محاسبه دقیق آن، باعث اتلاف سرمایه‌های ملی می‌شود. بدیهی است که دقت تخمین میزان رسوب‌دهی، بستگی زیادی به روش‌های محاسباتی، معادلات ارائه شده و داده‌ها یا اطلاعات ...
بیشتر
امروزه رسوب‌دهی حوزه‌های آبخیز از جمله مشکلات بهره‌برداری از منابع آب‌های سطحی در جهان است. با توجه به نقش و اهمیت رسوب در عمر مفید سدهای کشور، عدم توجه به اندازه‌گیری و محاسبه دقیق آن، باعث اتلاف سرمایه‌های ملی می‌شود. بدیهی است که دقت تخمین میزان رسوب‌دهی، بستگی زیادی به روش‌های محاسباتی، معادلات ارائه شده و داده‌ها یا اطلاعات تخمین رسوب دارد. چون عوامل مختلفی در فرسایش و تولید رسوب مؤثر است و بر اساس شرایط هر حوزه ممکن است یک یا چند عامل در تشدید آن مؤثر باشد.از این رو، برای بررسی مسئله رسوب‌دهی هر حوزه باید عوامل مختلف مؤثر در رسوب‌دهی آن منطقه را شناسایی و به‌طور صحیح برآورد کرد و سپس تأثیر عوامل مختلف را بر روی رسوب‌دهی مشخص نمود. در این تحقیق، شبکه‌های عصبی مصنوعی به‌‌عنوان روشی جدید برای تخمین رسوب‌دهی حوزه، به‌کار گرفته شده است. شبکه‌ای با ساختار و آموزش مناسب و داده‌های کافی، قادر است تأثیرات و ارتباط بین رسوب و سایر متغیرهای مؤثر در رسوب‌دهی را بدون استفاده از روابط اختصاصی و معادلات مربوطه فراگیرد. برای تخمین رسوب‌دهی زیرحوزه‌ها، از ساختار MLP استفاده شد. پس از آموزش و آزمایش داده‌ها،بهترین حالت در نظر گرفته شده و سپس با روش رگرسیون‌های چندمتغیره مقایسه شد. نتایج نشان‌دهنده بهبود قابل توجهی در محاسبه و تخمین رسوب و کارآیی روش شبکه‌های عصبی نسبت به‌روش رگرسیون‌های چند متغیره است.
