%0 Journal Article %T مقایسه شبکه‌های عصبی و مدل رگرسیونی در پیش‌بینی راندمان تله‌اندازی رسوب در سدهای تـأخیری %J پژوهش های آبخیزداری %I مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان فارس %Z 2981-2313 %D 2015 %\ 03/21/2015 %V 28 %N 1 %P 63-72 %! مقایسه شبکه‌های عصبی و مدل رگرسیونی در پیش‌بینی راندمان تله‌اندازی رسوب در سدهای تـأخیری %K راندمان تله‌اندازی رسوب %K سد %K شبکه عصبی %K تحلیل ابعادی %K مدل رگرسیونی %R 10.22092/wmej.2015.107048 %X شبکه عصبی مصنوعی از جمله روش‌های جدید تخمین تغییرات پدیده‌ها می‌باشد که در شاخه‌های مختلف علوم کاربرد گسترده‌ای پیدا کرده است. راندمان تله‌اندازی رسوب و حجم رسوبگذاری شده مخازن سدها نیز از جمله مسائلی است که می‌تواند با این روش مورد بررسی قرار گیرد. هدف از انجام این تحقیق، تعیین راندمان تله‌اندازی رسوب در سدهای تأخیری با استفاده از روش‌های شبکه عصبی و مقایسه آنها با مدل‌های رگرسیونی است. برای انجام این تحقیق از مدل فیزیکی سد تأخیری که در پژوهشکده حفاظت خاک و آبخیزداری ساخته شده بود، استفاده گردید. به منظور شبیه‌سازی هیدروگراف سیلاب، از ایده مدل مخازن خطی استفاده گردید. سپس با رهاسازی سیلاب همراه با رسوب، عملکرد سد تأخیری در تله‌اندازی رسوبات مورد بررسی قرار گرفت. در مرحله بعد، با شناسایی پارامترهای تأثیرگذار بر تله‌اندازی رسوبات مخازن سدها، مدل شبکه عصبی مناسب به روش پس انتشار خطا توسعه داده شد. همچنین از مدل‌های رگرسیونی برای بررسی رابطه پارامترها و نیز مقایسه نتایج برآوردی با مشاهده‌ای استفاده شد. در نهایت، شاخص‌های آماری R2، RMSE و MAPE به منظور ارزیابی صحت و دقت مدل به کار گرفته شد. طبق نتایج، میانگین مقادیر R2، RMSE و MAPE در مدل‌های رگرسیونی به ترتیب برابر 465/0، 6/26 و 1/62 می‌باشد، در حالی که مقادیر این شاخص‌ها در مدل توسعه داده شده شبکه عصبی به ترتیب برابر 982/0، 6/4 و 1/6 می‌باشد. از این رو مدل شبکه عصبی مصنوعی از توانایی بیشتری نسبت به روابط رگرسیونی در پیش‌بینی راندمان ‌تله‌اندازی رسوب سدهای تـأخیری برخوردار است. همچنین نتایج نشان داد که محاسبه راندمان تله‌اندازی رسوب بستگی به تعداد پارامترهای به کار رفته در معادله دارد و باید با توجه به تعداد پارامترها، رابطه بهینه را انتخاب نمود. %U https://wmrj.areeo.ac.ir/article_107048_3ed039b309fc6625f1c452215b78c69e.pdf