سید احمد حسینی؛ محمودرضا طباطبایی
چکیده
شبیه‌سازی رسوب معلق در سیستم‌های هیدرولوژیکی به دلیل عدم درک و دانش کافی از اجزاء و فرآیندهای متقابل همواره با عدم قطعیت روبرو بوده و بدین سبب منجر به کاربرد مدل‌های هوشمند و از جمله شبکه‌های عصبی مصنوعی در آن شده است. استفاده از مدل‌های هوشمند نیز با چالش‌هائی روبرو است. تعیین ساختار مناسب شبکه، مستلزم بهینه نمودن پارامترهای ...
بیشتر
شبیه‌سازی رسوب معلق در سیستم‌های هیدرولوژیکی به دلیل عدم درک و دانش کافی از اجزاء و فرآیندهای متقابل همواره با عدم قطعیت روبرو بوده و بدین سبب منجر به کاربرد مدل‌های هوشمند و از جمله شبکه‌های عصبی مصنوعی در آن شده است. استفاده از مدل‌های هوشمند نیز با چالش‌هائی روبرو است. تعیین ساختار مناسب شبکه، مستلزم بهینه نمودن پارامترهای مورد استفاده (نظیر تعداد بهینه نورون‌ها و لایه‌ها، وزن و بایاس و نوع توابع فعال‌سازی) در آن بوده که بهینه‌سازی مناسب آن‌ها به روش آزمون و خطا، ضمن کارائی کم، منجر به صرف زمان زیاد می‌شود. در این پژوهش به منظور شبیه‌سازی بار رسوب معلق روزانه در حوزه‌ی آبخیز سراب قره‌سو (رودخانه‌های قور‌ی‌چای و هیرچای) واقع در استان اردبیل، از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. در راستای آموزش مدل‌های شبکه عصبی، علاوه بر روش‌مرسوم پس انتشار خطا، به منظور بهینه‌سازی مقادیر وزن و بایاس نورون‌های مدل‌های شبکه عصبی، از الگوریتم بهینه‌سازی ازدحام ذرات استفاده گردید. همچنین به منظور افزایش قدرت تعمیم‌دهی مدل‌ها، از خوشه‌بندی نگاشت خود سازمان‌ده استفاده شد. نتایج نشان داد آموزش مدل‌های شبکه عصبی با الگوریتم PSO، کارائی بیشتری نسبت به مدل‌های شبکه عصبی که صرفأ از روش‌های پس انتشار خطا استفاده می‌نمایند، داشته است. با توجه به آنکه الگوریتم‌های تکاملی (نظیر الگوریتم PSO) می‌توانند راه‌حل‌های مناسبی در بهینه‌سازی پارامترهای شبکه عصبی ارائه نمایند لذا، بکارگیری آن‌ها در آموزش مدل‌های شبکه عصبی می‌تواند، راهکار مناسبی در بهبود کارایی مدل‌های هوشمند و بالاخص در شبیه‌سازی رسوب معلق رودخانه‌ها و بکارگیری نتایج آن در اقدمات سازه‌ای آبخیزداری و عملیات منابع آبی باشد.
