fa مقایسه روابط تجربی رواناب-رسوب حاصل از منحنی‌های سنجه رسوب و شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز گدارخوش، استان ایلام) مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی پژوهشي Research <h2 dir="RTL"></h2> <p dir="RTL">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 (<span dir="LTR">USBR</span>) 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 (<span dir="LTR">RE</span>)، کارایی مدل (<span dir="LTR">EF</span>)، ریشه میانگین مربعات خطا (<span dir="LTR">RMSE</span>) و ضریب تبیین (<span dir="LTR">R2</span>) 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.</p> <p></p> <h2 dir="ltr"><span style="font-size: 13px line-height: 1.6em">Being available the accurate data on carried sediment has accounted as an important factor for making decision about constructing of river structures and determining of dam life. To accomplish this object, a number methods have been proposed so that sediment rate curving as a hydrological method has been developed for doing it. Ignoring differences between season&#39s values causes to lower the precision of this method. So, present research has been programmed for evaluation of classified discharge to two categories including high water and low water on suspended sediment calculated by sediment rating curve in comparison with Artificial Neural Network (ANN). For acquiring this object, by means of flow duration curve and USBR method, daily suspended sediment and sediment rating curve were resulted. Finally, some statistical criteria including Relative Error (RE), Model Efficiency (EF), Root Mean Square Error (RMSE) and Descriptive Coefficient (R</span><sup style="line-height: 1.6em">2</sup><span style="font-size: 13px line-height: 1.6em">) were applied for comparing the results outcome of sediment rating curve method and ANN method. Results showed that ANN method has as higher capability in comparison with sediment rating curve on basis of Descriptive Coefficient and Model Efficiency 0/903 and 0/89 respectively moreover Root Mean Square Error and Relative Error 0/322 and 6/22 respectively.</span></h2> روش اداره عمران ایالات‌متحده, شبکه عصبی مصنوعی, منحنی سنجه رسوب, منحنی تداوم جریان, دوره‌های کم آبی و پر آبی USBR, ANN, Sediment Rating Curve, Flow Duration Curve, High and Low Water Periods 29 43 http://magazine.hormozgan.ac.ir/browse.php?a_code=A-10-29-41&slc_lang=fa&sid=1 alireza sepahvand علیرضا سپهوند sepahvand1982@yahoo.com 10031947532846002607 10031947532846002607 Yes دانشگاه تربیت مدرس najmeye hezarkhani نجمیه هزارخوانی 10031947532846002608 10031947532846002608 No دانشگاه مجید طائی سمیرمی 10031947532846002609 10031947532846002609 No دانشگاه شمس اله عسگری 10031947532846002610 10031947532846002610 No دانشگاه