TY - JOUR T1 - Estimation of Suspended Sediment Discharge by Optimal Structure of Artificial Neural Network in Taleghan Watershed TT - تخمین دبی بار معلق رسوب با استفاده از بهترین ساختار شبکه عصبی مصنوعی در حوزه آبخیز طالقان JF - JSTNAR JO - JSTNAR VL - 18 IS - 68 UR - http://jstnar.iut.ac.ir/article-1-2778-fa.html Y1 - 2014 SP - 79 EP - 88 KW - Sediment load KW - Discharge KW - Hydrograph condition KW - ANN KW - Taleghan river. N2 -   پیش­بینی میزان بار رسوب منتقل شده توسط رودخانه­ها، یکی از جنبه­های مهم مدیریت رودخانه­ها، مخازن سدها و به‌طور کلی پروژه­های آبی به‌شمار می­رود. در تحقیق حاضر به‌منظور پیش­بینی بار معلق رسوب رودخانه طالقان با استفاده از شبکه عصبی مصنوعی و شناسایی شبکه بهینه با بالاترین دقت، از 500 داده روزانه متغیرهای دبی روز مورد‌نظر، دبی یک روز قبل، اشل و وضعیت هیدروگراف (به‌ترتیب با میانگین ( m3/s ) 83/13، ( m3/s ) 42/15، ( cm )83/89 و036/0-) به‌عنوان ورودی مدل و 500 داده روزانه بار معلق رسوب متناظر، به‌عنوان خروجی مدل استفاده شد. داده­های مورد استفاده مربوط به بازه زمانی 1384- 1363، می­باشد. با ایجاد ترکیب­های متفاوتی از متغیرهای ورودی و هم‌چنین با تغییر تعداد نرون­های لایه پنهان و تابع آستانه، 80 شبکه عصبی متفاوت ایجاد شد، که با مقایسه دو پارامتر R2 و RMSE در مدل­های مختلف، دقت آنها بررسی شد. نتایج نشان داد که شبکه عصبی با ساختار 1-9-3 و با ترکیب پارامتر­های ورودی شامل دبی روز مورد‌نظر، دبی یک روز قبل و اشل، با R2 و RMSE آزمون، به‌ترتیب97/0 و 068/0 دارای بالاترین دقت می­باشد. بر‌اساس نتایج حاصل از شبکه 1-9-3، میانگین داده­های رسوب مشاهداتی و پیش‌بینی شده توسط مدل بهینه (مربوط به بخش آزمون)، به‌ترتیب802/1122 و 924/ 1184 (تن در روز) می­باشد. M3 ER -