پیش‏ بینی رسوبات معلق با استفاده از مدل ترکیبی منحنی ‌سنجة رسوب و شبکة عصبی مصنوعی در ایستگاه‏ نارون افجه

مقدمه و هدفغلظت رسوبات معلق، یکی از مهم‌ترین سنجه‌های کیفی آب در منابع آب سطحی و یک پدیدة آب‌شناختی مهم است. روش‌های سنتی پیش‌بینی مانند منحنی‌های سنجة رسوب به‌دلیل در نظر نگرفتن تمام سنجه‌های مؤثر، دقت کافی ندارند. در این راستا، مدل‌های ترکیبی شامل منحنی‏های سنجة رسوب (SRC) و شبکه‌های عصبی مصنوعی (ANNs) به‏عنوان روشی نوین برای پیش‌بینی دقیق‌تر غلظت رسوبات معلق پیشنهاد شده‌اند. این مدل‌ها با توانایی یادگیری الگوهای پیچیده و غیرخطی، به‏مراتب عملکرد بهتری در مقایسه با روش‌های سنتی دارند. این پژوهش با هدف توسعه و کاربرد مدل ترکیبی SRC-ANN برای پیش‌بینی غلظت رسوبات معلق انجام ‏شد. همچنین، پیش‌بینی ‌شد این مدل با ترکیب نقاط قوت هر دو روش، دقت پیش‌بینی را به‏طور قابل‏توجهی افزایش دهد و در مدیریت بهینه منابع آب و عملکرد صحیح سازه‌های آبی سودمند باشد.مواد و روش‏هادر این پژوهش، مدل ترکیبی جدیدی متشکل از منحنی سنجة رسوب و شبکة عصبی مصنوعی برای پیش‌بینی دقیق‌تر غلظت رسوبات معلق در ایستگاه آب‌سنجی نارون (افجه) استفاده ‌شد. برای این منظور، از داده‌های آب‌دهی جریان و رسوب معلق 222 نمونه در دورة 50 ساله (1350 تا 1400) استفاده شد. همچنین، 14 روش گوناگون شامل 6 مدل منحنی سنجة رسوب، 6 مدل شبکة عصبی مصنوعی و 2 مدل ترکیبی برای شبیه‌سازی رسوبات معلق به‌کار گرفته شد و عملکرد هر روش با استفاده از معیارهای آماری مانند ضریب تعیین (R2)، ضریب کارایی (ME) و میانگین درصد خطای نسبی (RME) ارزیابی ‌شد.نتایج و بحثنتایج نشان داد که در میان روش‏های منحنی‌ سنجة رسوب، دقیق‌ترین شبیه‌سازی از وضعیت آب‌دهی رسوب مشاهده‌‏شده در مقایسه با دیگر روش‏ها مربوط به روش میانگین دسته‌ها با ضریب تعیین (R2) 84/0، ضریب کارایی (ME) 82/0 و میانگین درصد خطای نسبی (RME) 87/211، بود. همچنین، در میان روش‏های شبکة عصبی مصنوعی، دقیق‌ترین شبیه‌سازی مربوط به روش CANFIS با ضریب کارایی (ME) 8123/0 و میانگین درصد خطای نسبی (RME) 72/248، بود. سرانجام، به‏منظور بهبود نتایج پیش‌بینی‌ها از مدل‌های ترکیبی 1 و 2 استفاده شد. نتایج نشان داد که بهترین برآورد از رسوب معلق مربوط به روش ترکیبی 1 با ضریب کارایی (ME) 8761/0 و میانگین درصد خطای نسبی (RME) 63/59، بود.در روش نامبرده هم برآورد اندازه‌های آب‌دهی‌های اوج و هم برآورد اندازه‌های آب‌دهی‌های پایه بسیار دقیق بود و به‏عنوان دقیق‌ترین روش‏ برای پیش‌بینی رسوبات معلق معرفی شد. این نتایج بیانگر آن بود که با استفاده از مدل ترکیبی 1 می‌توان دقت پیش‌بینی‌ها را به‌طور قابل‏توجهی بهبود داد و میان داده‌های پیش‌بینی شده و داده‌های مشاهده‌‏شده تناسب بهتری ایجاد کرد.نتیجه ‏­گیری و پیشنهادهااز میان روش ‏های منحنی سنجة رسوب، روش منحنی سنجة رسوب میانگین دسته‌ها به‌دلیل در نظر گرفتن توزیع داده‌ها و انعطاف‌پذیری، به‏عنوان بهترین روش برای پیش‌بینی رسوب معلق معرفی شد. عملکرد شبکه‌های عصبی مصنوعی نیز در شبیه‌سازی رسوبات معلق مربوط به آب‌دهی‌های پایه و بهنجار خوب بود، اما در پیش‌بینی رسوبات معلق در شرایط سیلابی ضعیف‌تر عمل کرد. دقیق‌ترین روش برای پیش‌بینی رسوب معلق، مدل ترکیبی 1 معرفی شد که در آن از ترکیب روش‌های منحنی سنجة و شبکة عصبی مصنوعی استفاده شد. انتخاب روش نامناسب برای پیش‌بینی رسوبات می‌تواند منجر به نتایج نادرست شود. همچنین، بررسی تأثیر متغیرهای دیگر افزون بر آب‌دهی جریان بر رسوب نیز ضروری است. نتایج این پژوهش نشان داد می‌توان با استفاده از مدل‌های ترکیبی دقت پیش‌بینی رسوبات معلق را به ‏طور قابل‏توجهی افزایش داد و از آن به ‏عنوان ابزاری مؤثر برای مدیریت و پیش‌بینی رسوبات معلق و بهبود مدیریت منابع آب استفاده کرد. پیشنهاد می‌شود برای توسعه و بهینه‌سازی روش‌های ترکیبی، در ایستگاه‏های آب‌سنجی به‌ویژه در آب‌دهی‏های زیاد و شرایط سیلابی، از امکانات پیشرفته نمونه‏ گیری و تعداد نمونه‌های بیشتر استفاده شود. همچنین، پیشنهاد می‌شود مهندسان و مدیران منابع آب از نتایج این پژوهش برای توسعة راهکارهای بهینه برای مدیریت رسوبات معلق، بهره‌ ببرند.