RT - Journal Article T1 - Comprising the Empirical Equations of Runoff- Sediment Resulted from Sediment Rating Curves and Artificial Neural Network (Case Study: Ghadarkhosh Watershed, Ilam Province) JF - E.E.R.Journal YR - 2012 JO - E.E.R.Journal VO - 2 IS - 3 UR - http://magazine.hormozgan.ac.ir/article-1-112-fa.html SP - 29 EP - 43 K1 - USBR K1 - ANN K1 - Sediment Rating Curve K1 - Flow Duration Curve K1 - High and Low Water Periods AB - از مهمترین عوامل تصمیم­گیری در احداث سازه­های رودخانه­ای و تعیین عمق مفید سد­ها داشتن داده­ای دقیق از میزان رسوب حمل شده توسط رودخانه­ها است. روش­های چندی برای محاسبه برای بار معلق رودخانه­ها پیشنهاد شده است. یکی از این روش­ها، روش هیدرولوژیکی منحنی سنجه رسوب است. از خطا­های عمده روش مذکور عدم لحاظ اختلاف­های فصلی می­باشد. بر این اساس هدف از تحقیق حاضر ارزیابی اثر ارائه منحنی سنجه رسوب در دوره­های کم آبی و پر آبی بر میزان خطای تخمین رسوب و مقایسه روش مذکور با روش شبکه عصبی مصنوعی می­باشد. جهت دست­یابی به این مهم با ترسیم منحنی تداوم جریان و روش اداره عمران ایالات‌متحده (USBR) اقدام به محاسبه میزان رسوب معلق روزانه و منحنی سنجه‌های رسوب کم آبی و پر آبی ترسیم گردید سپس نتایج حاصله با نتایج به دست آمده از روش شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. در نهایت به وسیله معیار­های آماری سنجش خطا شامل خطای نسبی (RE)، کارایی مدل (EF)، ریشه میانگین مربعات خطا (RMSE) و ضریب تبیین (R2) اقدام به ارزیابی خطاهای روش­های مذکور نموده نتایج مبین قابلیت بالای روش شبکه عصبی مصنوعی با ضرایب تبیین و کارایی به ترتیب 903 /0 و 89/0 و ریشه میانگین مربعات خطا و خطای نسبی به ترتیب 322/0 و 22/6 می­باشد. LA eng UL http://magazine.hormozgan.ac.ir/article-1-112-fa.html M3 ER -