گزارش فنی: مدل شبکه عصبی مصنوعی پرسپترون چند لایه برای پیش‌بینی دبی روزانه بار معلق رسوب و ارزیابی عوامل موثر در برآورد رسوب

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد سازه‌های آبی، پردیس ابوریحان، دانشگاه تهران

2 دانشیار گروه مهندسی آبیاری زهکشی، پردیس ابوریحان، دانشگاه تهران، پردیس ابوریحان

چکیده

پیش‌­بینی مقدار رسوب در طرح­‌های مهندسی منابع آب نظیر تأسیسات تنظیم و انحراف جریان و سدهای مخزنی از عوامل مهم در تعیین عمر مفید و بررسی عملکرد آن­‌ها است. در این تحقیق مدلی برای تخمین دبی روزانه رسوب، با استفاده از مدل شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا ارائه شد و عملکرد مدل با مدل رگرسیون غیرخطی چند متغیره و منحنی­‌سنجه رسوب در مراحل آموزش و آزمون مقایسه شد. بدین منظور از داده­‌های دبی لحظه­‌ای، بارش، شماره روز در سال و دبی آب در روز قبل در محدوده سال­‌های 1388-1369 در ایستگاه پل زغال واقع در حوضه رودخانه چالوس استفاده شد. نتایج حاصل از آزمون ترکیب­ مختلف مجموعه داده­‌های ورودی نشان داد، ابتدا پارامتر دبی لحظه­‌ای، سپس دبی روز قبل و در نهایت عوامل بارش و شماره روز سال به‌ترتیب بیشترین تأثیر را در عملکرد مدل دارند، این نتایج تطابق نسبتا خوبی با نتایج حاصل از آنالیز ضرایب استاندارد شده مدل رگرسیونی دارد. برای مقایسه ساختارهای مختلف شبکه عصبی از معیارهای ضریب تبیین (R2) و جذر میانگین مربع خطا (RMSE) استفاده شد. بدین ترتیب با حذف متغیر شماره روز سال، بهترین شبکه با ساختار 1-5-3 و مقادیر 0.89= R2 و 0.02=RMSE به‌دست آمد. نتایج حاصل از مقایسه مدل­‌ها نشان داد، در مرحله آموزش و آزمون به‌ترتیب روش منحنی­‌سنجه و مدل شبکه عصبی بهترین عملکرد را به خود اختصاص داده­‌اند و مدل شبکه عصبی مقدار ضریب همبستگی را تقریباً 16 درصد نسبت به دو روش دیگر افزایش داد. با استفاده از نتایج این تحقیق، عوامل موثر بر تخمین دبی رسوب شناسایی شده و می­‌توان در پروژه­‌ها، با صرف وقت و هزینه کمتر برآورد دقیق­‌تری از دبی رسوب داشت.

کلیدواژه‌ها


عنوان مقاله [English]

Artificial neural network model of multilayer perceptron for prediction of daily discharge suspended sediment load and assessment of factors affecting sediment estimation

نویسندگان [English]

  • Mitra Tanhapour 1
  • Mohammad Ebrahim Banihabib 2
1 MSc Student, Abouraihan Campus, University of Tehran, Tehran, Iran
2 Associate Professor, Abouraihan Campus, University of Tehran, Tehran, Iran
چکیده [English]

Prediction of the sediment load in water resources engineering projects such as flow diversion projects and dam construction is important factor for determining their service life. In this study, a model for estimation of daily sediment discharge was proposed using multilayer perceptron Artificial Neural Network (ANN) model with back-propagation learning algorithm. For this purpose, current day’s discharge (Qt), precipitation, number of day in the year (DOY) and previous day’s discharge (Qt-1) data of Zoghal Bridge station (located on Chalus River) from 1990 to 2009 were used  for training, verification and test. Results of testing different combinations of input data sets showed that effective parameters of the model performance are current discharge parameter, antecedent discharge, precipitation and DOY, respectively. This results has a relatively good agreement with standardized coefficients of regression model. Coefficient of determination (R2) and Root Mean Square Error (RMSE) were used to compare the different structures of ANN. Therefore, best network with 3-5-1 architecture and the amounts of R2=0.89 and RMSE=0.02 was obtained by elimination of DOY variable. The performance of ANN model in the prediction of sediment discharge was compared with Sediment Rating Curve (SRC) and Multiple Non-Linear Regression (MNLR) model. The results showed, in the training and test steps, SRC method and ANN model have the best performance, respectively. Furthermore, in the test step, the ANN model performed better results compared to two other methods by increasing R2 about 16%. Generally, the proposed ANN model can be estimated sediment discharge by less calculation time and cost and also with more accuracy.

کلیدواژه‌ها [English]

  • Technical Note: Artificial intelligence model
  • Back-propagation algorithm
  • Current day’s discharge
  • Multiple non-linear regression model
  • sediment rating curve