انتخاب روش مناسب برای تعیین غلظت رسوب در شرایط سیلابی

یکی از مهمترین مشکلات در ایستگاههای هیدرومتری که به اندازه گیری دبی رسوب در آنها پرداخته می شود، ناتوانی افراد و کمبود تجهیزات مناسب این اندازه گیری، در شرایط سیلابی می باشد. در نتیجه قسمت اعظم اندازه گیریها در شرایط غیرسیلابی می باشد از طرفی بیشتر رسوبات رودخانه بطور طبیعی در شرایط سیلابی منتقل می شوند. پس برای غلبه بر این مشکل نیاز به استفاده از روش مناسبی برای تعیین غلظت رسوب در رودخانه می باشد. در اولین گام باید عوامل موثر بر مقدار دبی رسوب تعیین گردند. از جمله این عوامل می توان به دبی جریان، شرایط بارندگی و حوزه آبریز، مواد تشکیل دهنده بستر و کناره رودخانه و شرایط جریان اشاره نمود که در اکثر موارد آماری از آنها وجود ندارد. در بین این عوامل تنها دبی جریان قابل اندازه گیری بوده و از طرفی مهمترین عامل در تعیین دبی رسوب است که این موضوع به وسیله منحنی سنجه دبی-دبی رسوب اثبات می گردد. بنابراین در این تحقیق به منظور تعیین دبی رسوب از دبی جریان استفاده شد. برای پیش بینی دبی رسوب بر اساس آمار دبی جریان از روش شبکه عصبی پرسپترون استفاده شد و انواع ساختارها (یک لایه و دو لایه میانی با تعداد نرونهای مختلف) و انواع روشهای آموزشی (روش مومنتم و روش لونبرگ مارکوارت) مورد بررسی قرار گرفت. معیار بررسی کمترین میزان خطا mse و بیشترین کارآئی بود. با مقایسه نتایج در مرحله تست و آموزش شبکه مشخص شد که بهترین روش آموزش، روش لونبرگ مارکوارت و بهترین ساختار دولایه میانی است که هر لایه 4 گره دارد. نتایج این شبکه توانست بهترین انطباق را با آمار مشاهداتی سالهای 1382و 1386 نشان دهد که این آمار در آموزش و تست شبکه استفاده نشده بود. در ادامه برای بهبود نتایج شبکه با استفاده از روش بهینه سازی ژنتیک الگوریتم به بهینه سازی پارامترهای شبکه (ضریب مومنتم در روش آموزش مومنتم و تعداد گره ها در لایه های پنهان در روش آموزش لونبرگ مارکوارت) پرداخته شد.در اثر استفاده از ژنتیک الگوریتم مقدار mse به مقدار زیادی کاهش یافت ولی کارآئی سیستم تنها 2 درصد افزایش یافت. برای بررسی نتایج تحقیق در این پایان نامه از آمار ایستگاه ایدنک در بالادست سد مارون در استان خوزستان استفاده شد.به منظور پیش بینی دبی رسوب در شرایط حدی با استفاده از روش زنجیره مارکوف به تولید مرطوبترین وخشکترین سری محتمل در سالهای آینده پرداخته شد و با استفاده از روش شبکه عصبی رسوب این سریهای پیش بینی شد.