fa بررسی امکان پیش‌بینی رسوبات معلق با استفاده از ترکیب منحنی سنجه رسوب و شبکه‌ی عصبی مصنوعی (مطالعه موردی: رودخانه قطورچای، پل یزدکان) مدلسازی و تحلیل زمانی و مکانی رخداد انواع مختلف فرسایش محیطی پژوهشي Research <p align="right"><span dir="RTL">برآورد بار رسوبی در رودخانه­ها با توجه به خسارات ناشی از آن، یکی از مهم­ترین و مشکل­ترین قسمت­های مطالعات انتقال رسوب و مهندسی رودخانه است. بنابراین دست یافتن به شیوه­های نوین و خلاقانه که بتواند در این راستا موثر واقع گردد دارای اهمیت بسیار زیادی است. در این تحقیق کاربرد روش سیستم عصبی مصنوعی (</span>ANN<span dir="RTL">) در بهینه­سازی نتایج مدلی مبتنی بر روش منحنی سنجه­ی رسوب (</span>SRC<span dir="RTL">) برای پیش­بینی بار معلق جریان مورد بررسی قرار گرفته است. برای این منظور ایستگاه یزدکان واقع بر رودخانه­ی قطورچای در نظر گرفته شد. یک مدل رگرسیونی به کمک روش </span>SRC<span dir="RTL"> ساخته شد که با کمک داده­های دبی در ایستگاه مذکور میزان بار معلق در همان ایستگاه پیش­بینی می­گردد. پس از ساختن مدل به کمک این روش، یک مدل </span> ANN<span dir="RTL">مورد استفاده قرار گرفت که دقیقا از داده­های مشابه استفاده نموده و سپس با استفاده از آن دو، مدل ترکیبی ساخته شد. لازم به ذکر است که قبل از کاربرد ترکیبی این دو روش (</span>ANN <span dir="RTL">و </span>SRC<span dir="RTL">)، هر یک از این روش­ها به تنهایی مورد استفاده قرار گرفته و نتایج حاصل با مقادیر واقعی مقایسه گردیده بود. نتایج حاصل از کاربرد ترکیبی این مدل­ها از کیفیت به مراتب بالاتری نسبت به کاربرد هر یک از آنها به تنهایی برخوردار است. به طوری که میزان </span>Dr <span dir="RTL">از عدد 402/1 در روش </span>SRC <span dir="RTL">و 395/2- در مدل </span>ANN <span dir="RTL">به مقدار 963/0 در یکی از مدل­های ترکیبی تعدیل یافته است. هم­چنین میزان ریشه میانگین مربعات خطا که به ترتیب برای </span>SRC <span dir="RTL">و </span>ANN <span dir="RTL">به تنهایی 286/692 و 96/616 حاصل گشته بود به عدد 094/603 کاهش پیدا کرد. </span></p> <table align="left" cellpadding="0" cellspacing="0" hspace="0" vspace="0"> <tbody> <tr> <td align="left"> <p></p> <p>Estimation of sediment loads in rivers is one of the most important, difficult components of sediment transport studies and river engineering. Accessing new methods that can be effective in this background are more important. In this research, we have used the artificial neural network (ANN) to optimize the results of the sediment rating curve (SRC) to predict the suspended sediment loads. For doing that, the Yadakan station on Ghatoor-Chai River was considered. An equation by SRC method was obtained followed by an ANN method by the same data, and finally by combining them, we built a new model. It should be mentioned that before using the combined model, each method was used and the obtained results were compared with the observed data. Based on this research, the results of using the combined model were more precise than the ANN and SRC separately as the Dr value from 1. 402 (in SRC) and -2. 395 (in ANN) changed to 0. 963 in the combined model. The RMSE has also obtained 692.286 and 616.96 for SRC and ANN, respectively, whereas this value decreased to 603.094 for the combined model.</p> </td> </tr> </tbody> </table> <div dir="ltr" style="clear: both text-align: justify"></div> رسوبات معلق, شبکه‌ی عصبی مصنوعی, رودخانه قطورچای, منحنی سنجه‌ی رسوب. Suspended Loads, Artificial Neural Network, Ghatoor-Chai River, Sediment Rating Curve 73 82 http://magazine.hormozgan.ac.ir/browse.php?a_code=A-10-29-58&slc_lang=fa&sid=1 احمد خزایی پول a.khazaie1388@gmail.com 10031947532846002655 10031947532846002655 Yes دانشگاه یزد علی طالبی talebisf@yazduni.ac.ir 10031947532846002656 10031947532846002656 No دانشگاه یزد