fa تخمین دبی بار معلق رسوب با استفاده از بهترین ساختار شبکه عصبی مصنوعی در حوزه آبخیز طالقان عمومی Ggeneral پژوهشي Research <p>  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 <sup />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 <sup />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. </p> <p>  Prediction of sediment load transported by rivers is a crucial step in the management of rivers, reservoirs and hydraulic projects. In the present study, in order to predict the suspended sediment of Taleghan river by using artificial neural </p>network, and recognize the best ANN with the highest accuracy, 500 daily data series of flow discharge on the present day, flow discharge on the past day, flow depth and hydrograph condition (respectively with the average of 13.83 (m³/s), 15.42 (m³/s), 89.83 (cm) and -0.036) as input variables, and 500 daily data series of suspended sediment, as the output of the model were used. The data was related to the period of 1984-2005. 80 different neural networks were developed using different combinations of variables and also changing the number of hidden-layer neurons and threshold functions. The accuracy of the models was then compared by R² and RMSE. Results showed that the neural network with 3-9-1 structure and input parameters of flow discharge on the present day, flow discharge on the past day and flow depth was superior (R²= 0.97 and RMSE= 0.068) compared to the other structures. The average of the observed data of sediment and that predicted by the optimal model (related to test step) were 1122.802 and 1184.924 (tons per day), respectively. رسوب, دبی, وضعیت هیدروگراف, ANN, رودخانه طالقان Sediment load, Discharge, Hydrograph condition, ANN, Taleghan river. 79 88 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1-15&slc_lang=fa&sid=1 S. Razavizadeh سمانه رضوی زاده srazavizade@gmail.com Yes Sari Agric. Sci. & Natur. Resour. Univ., Sari, Iran. دانشگاه علوم کشاورزی و منابع طبیعی ساری A. Kavian عطااله کاویان No Sari Agric. Sci. & Natur. Resour. Univ., Sari, Iran. دانشگاه علوم کشاورزی و منابع طبیعی ساری M. Vafakhah مهدی وفاخواه No Tarbiat Modares Univ., Tehran, Iran. دانشگاه تربیت مدرس تهران