فهرست نشریات علمی دسترسی آزاد ایران

مقدمه شبیه‌سازی رسوب معلق در سیستم‌های هیدرولوژیکی به‌دلیل پیچیدگی‌ها و عدم قطعیت‌های ذاتی، همواره چالش‌برانگیز بوده است. این مسأله موجب شده تا استفاده از مدل‌های هوشمند مانند شبکه‌های عصبی مصنوعی به‌عنوان راهکاری مناسب برای پیش‌بینی بار رسوب معلق مطرح شود. به همین دلیل، استفاده از مدل‌های هوشمند نظیر شبکه‌های عصبی مصنوعی (ANN) در این زمینه گسترش یافته است. با این حال، تعیین ساختار بهینه شبکه (شامل تعداد نورون‌ها، لایه‌ها، وزن‌ها و بایاس‌ها) معمولاً به روش آزمون و خطا انجام می‌شود که هم زمان‌بر و هم ناکارآمد است. در این پژوهش، به‌منظور شبیه‌سازی بار رسوب معلق روزانه در حوزه آبخیز سراب قره‌سو (رودخانه‌های قوری‌چای و هیرچای) واقع در استان اردبیل، از شبکه عصبی پرسپترون چندلایه بهره گرفته شد.   مواد و روش‌ها در این پژوهش، به‌منظور شبیه‌سازی بار رسوب معلق روزانه در حوزه‌ آبخیز سراب قره‌سو (رودخانه‌های قوری‌چای و هیرچای) در استان اردبیل، از شبکه عصبی مصنوعی پرسپترون چندلایه بهره گرفته شد. آموزش مدل‌های شبکه عصبی علاوه بر روش متداول پس‌انتشار خطا، با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای بهینه‌سازی وزن‌ها و بایاس‌های نورون‌ها انجام شد. همچنین به‌منظور افزایش قدرت تعمیم‌دهی مدل‌ها، از خوشه‌بندی نگاشت خودسازمان‌ده (SOM)  استفاده شد. برای بهینه‌سازی وزن‌ها و بایاس‌های شبکه، علاوه بر روش پس‌انتشار خطا، الگوریتم بهینه‌سازی ازدحام ذرات (PSO) نیز به کار رفت. همچنین جهت افزایش قدرت تعمیم مدل‌ها، از خوشه‌بندی نگاشت خودسازمان‌ده (SOM)  استفاده شد. استفاده از الگوریتم‌های تکاملی نظیر PSO در آموزش شبکه‌های عصبی، راهکاری مؤثر برای بهبود دقت مدل‌های هوشمند و به‌خصوص در شبیه‌سازی رسوب معلق رودخانه‌ها و کاربردهای منابع آبی و سازه‌های آبخیزداری است.   نتایج و بحث با استفاده از خوشه‌بندی SOM و شاخص دیویس-بولدین، تعداد بهینه خوشه‌ها برای ایستگاه کوزه توپراقی 12 و برای ایستگاه هیرچای 15 تعیین شد. تحلیل آماری و آزمون KS نشان داد داده‌ها در مجموعه‌های آموزش، اعتبارسنجی و آزمون، از توزیع مشابهی برخوردارند که باعث افزایش قدرت تعمیم‌دهی مدل‌ها می‌شود.آموزش مدل‌های شبکه عصبی با الگوریتم PSO نسبت به پس‌انتشار خطا، عملکرد بهتری داشت و خطاهای پیش‌بینی کاهش یافت. مدل‌های  ANN-PSO-Sig  و ANN-PSO-Tan بهترین عملکرد را در ایستگاه‌های کوزه توپراقی و هیرچای به‌ترتیب داشتند. بررسی بایاس مدل‌ها نیز نشان داد مدل‌های آموزش دیده با PSO خطای کمتری در برآورد کل رسوب دارند. به‌طورکلی نتایج نشان داد، آموزش شبکه‌های عصبی با الگوریتم PSO عملکرد بهتری نسبت به روش آموزش صرف با پس‌انتشار خطا دارد. در ایستگاه کوزه توپراقی، مدل هیبرید شبکه عصبی و PSO با تابع فعال‌سازی سیگموئیدی (ANN-PSO-Sig) و در ایستگاه هیر-هیرچای توپراقی مدل مشابه با تابع فعال‌سازی تانژانت هیپربولیک (ANN-PSO-Tan) به‌ترتیب با بایاس‌های 25.5 و 2.19- درصد و شاخص RMSE برابر با 86.28 و 89.2 تن در روز به‌عنوان مدل‌های بهینه انتخاب شدند. این نتایج، نشان‌دهنده بهبود دقت پیش‌بینی بار رسوب معلق با استفاده از الگوریتم PSO در آموزش شبکه عصبی است.   نتیجه‌گیری استفاده از الگوریتم فراابتکاری PSO در آموزش مدل‌های شبکه عصبی، عملکرد آنها را در شبیه‌سازی بار رسوب معلق بهبود بخشیده است. این روش نسبت به الگوریتم‌های مبتنی بر گرادیان خطا برتری دارد و می‌تواند بهینه‌سازی وزن‌ها را با دقت بالاتری انجام دهد. نتایج نشان داد که دقت برآورد شاخص بایاس در مدل‌های آموزش‌دیده با  PSOبهتر است که این امر در طراحی سازه‌های آبی و مدیریت منابع آب اهمیت زیادی دارد. همچنین خوشه‌بندی داده‌ها با الگوریتمSOM  باعث انتخاب مجموعه داده‌های همگن و نماینده برای آموزش مدل‌ها شده است که به افزایش قابلیت تعمیم مدل‌ها کمک کرده است. به‌طور کلی، با توجه به پیچیدگی‌های سیستم‌های هیدرولوژیکی و عدم قطعیت‌های موجود، به کارگیری مدل‌های هوشمند همراه با الگوریتم‌های بهینه‌سازی تکاملی مانند PSO راهکاری مؤثر در شبیه‌سازی و پایش بار رسوب معلق است. نتایج حاصل می‌تواند در برنامه‌ریزی و اجرای اقدامات سازه‌ای آبخیزداری و مدیریت منابع آبی کاربرد داشته باشد.