رسوبات انتقالي توسط رودخانه‌ها مشكلات زيادي خصوصاً جهت بهره‌برداري از سدها و سازه‌هاي آبي به وجود مي‌آورند. در ده‌هاي اخير تحقيقات بزرگي براي درك مكانيسم انتقال رسوب در جريان‌هاي طبيعي صورت گرفته است.

تخليه‌هاي صنعتي و پساب‌هاي كشاورزي به داخل سيستم آبزيان باعث مي‌شود كه رسوبات كف توسط موادسمي آلوده شوند. به همين ترتيب وقتي رژيم رودخانه تغيير مي‌نمايد اين رسوبات آلوده به پايين دست رودخانه انتقال مي‌يابند. تخمين دبي اين رسوبات آلوده گام اول به سوي بهبود سازي كيفيت آب مي‌باشد.

طبق گزارشات، درحال حاضر، بسياري از سدهاي كشورمان، با مشكل رسوب و پرشدن پيش از موعد مخازن مواجه هستند از جمله گزارشي كه در مورد رسوبگذاري در سد سفيد رود منتشر شده كه نشان مي‌دهد كه در هفدهمين سال بهره برداري، رسوبات ورودي نزديك به نيمي از حجم مخزن را اشغال كرده‌اند. در حالي كه مشاور اين شد، عمر مفيد آن را صد سال دانسته است.

همچنين سد شهيد عباسپور كه تخمين اوليه براي رسوب آن 2 ميليون مترمكعب در سال بوده، در حالي كه نتايج هيدروگرافي در سال 1362 در مخزن اين سد نشان مي‌دهد كه درطي 7 سال اول بهره برداري از اين سد ساليانه بطور متوسط 38 ميليون متر مكعب وارد مخزن شده است. بديهي است كه افزايش پيش‌بيني ميزان رسوب وارده به درياچه مي‌تواند از اين خسارات جلوگيري به عمل آورد و تحقيق اين امر بستگي زيادي به روشهاي محاسباتي و وجود سنجشهاي مناسب رودخانه‌اي دارد.

تا كنون معادلات زيادي براي تخمين ميزان رسوب انتقالي رسوب انتقالي توسط رودخانه‌ها ارائه شده است كه همه آنها بر پايه قوانين تئوري ديناميك جريان و انتقال ذرات مي‌باشد. آلونسوو نيبلينگ و فوستر در سال 1982 و يانگ در 1996 از بين ديگران، روشهاي متعدد قراردادي را مقايسه نمود براي محاسبه دبي كل رسوب. بعضي از روشها كه روش غيرمستقيم ناميده شدند، شامل توابع انتقالي بر اساس تابع بار بستر اينشتين هستند كه بار رسوب كل از مجموع توابع بار معلق و بار بستر بدست مي‌آيد. مانند روش اصلاح شده اينشتين توسط كلبي و همبري (1955) و توفالتي (1969). روشهاي مذكور اين نكته را مدنظر قرار مي‌دهند كه هيدروديناميك هر حالت انتقال يكسان نيست اگر چه تمايز آشكار بين در حالت معلق و بستر نيز به آساني ممكن نيست، كاربرد روشهاي گفته شده از نظر تئوري نسبتاً كامل است اما ممكن است به نظر دشوار برسد.

روشهاي ديگر كه روشهاي مستقيم ناميده مي‌شوند، بار رسوب كل را به طور مستقيم مشخص مي‌كنند، بدون اختلاف قائل شدن بين دو حالت انتقال. بعضي از اين روشها از مفهوم نيروي جريان ناشي مي‌شوند. (كار جريان) مانند روش بگنولد (1966) و روش انگلند و هانسن (1967) كه بستگي به مفهوم نيرو و قوانين شبيه‌سازي براي بدست آوردن تابع انتقال رسوب دارد. روش آكرو وايت (1973) بر اساس مفهوم نيروي جريان، بگونولد و آناليز ابعادي براي بيان تحرك و سرعت انتقال رسوب پايه‌ريزي شده‌اند. يانگ در سالهاي 1972 و 73 يك مدل تحليل نيرويي بكار برد و به نيروي جريان موجود در واحد وزن سيال براي انتقال رسوب تأكيد كرد. وليكانوف (1954) تابع انتقال را از تئوري نيروي ثقل استخراج كرد. روشهاي ديگر از توابع انتقال ديگري پيروي مي‌كنند، مثلاً چنگ و سيمونزو ريچاردسون (1967) بار كل را از مجموع بار بستر و معلق محاسبه نمودند. لارسن (1958) يك رابطه وابسته‌اي بين شرايط جريان و دبي رسوبي نتيجه توسعه داد. شن و هانگ (1972) يك معادله رگرسيون براساس داده‌هاي آزمايشگاهي استخراج كردند.

برانلي (1981) نيز آناليز رگرسيون را براي بدست آوردن تابع بكار گرفت. ون راين (1984) بار كل را از مجموع بار بستر و متعلق محاسبه نمود. كريم و كندي (1990) آناليز چند رگرسيوني غيرخطي را براي استخراج يك رابطه بين سرعت جريان، دبي رسوب و هندسه شكل بستر و ضريب اصطكاك رودخانه‌هاي فرسايشي بكار گرفت.

اين مدل‌هاي ديناميكي در تعريف پارامترهاي مهم مسئله موفق بودند. با اين وجود براي بدست آوردن يك فرمول منفصل (شكل ثابت معادله)، بعضي پارمترهاي مهم براي سهولت صرفنظر مي‌شوند. ثابت‌هاي غيرمعلوم براي پايداري جمع مي‌شدند و بعضي شرايط مرزي براي بكارگيري فرض مي‌شوندو نتيجتاً اين سؤال مطرح مي‌شود كه آيا فرمول براي انحراف رودخانه‌ها به طور موفق بكار رود؟

          اخيراً روش شبكة عصبي در شاخه‌هاي متعدد علمي بكار مي‌رود. روش گفته شده يك ابزار قوي براي بهبود سازي در هيدروليك و محيط زيست با جزئيات كافي براي اهداف طراحي و مديريت پروژه‌ها مي‌باشد. اين تكنيك يك رشد ساختاري در كاربرد مهندسي رودخانه و منابع آب داشته است مانند مطالعه كرونانيتي و همكاران (199)، فلود و كارتام (1994) و گرابرت (1995) و مينس (1998) و سانچز و همكاران (1998) و يانگ و همكاران (1999).

به سبب كاربردهاي موفق در مدل كردن رفتار سيستم غيرخطي در يك محدوده وسيع از نواحي، شبكه‌هاي عصبي مصنوعي در هيدرولوژي و هيدروليك بكار رفته‌اند. شبكه‌هاي عصبي مصنوعي در مدل بارش ـ رواناب، تخمين جريان، شبيه‌سازي آلودگي جريان، شناسايي پارامتر و مدل كردن غيرخطي ورودي و خروجي سريهاي زماني بكار رفته‌اند. يك شبكه عصبي سه لايه پيشخور توسط فرنچ و همكاران (1992) براي پيش‌بيني شدت بارش در مكان و زمان بكار رفت. اين فرد نتايج را با دو روش ديگر پيش‌بيني ترم ـ كوتاه مقايسه نمود. چنگ و تسانگ (1992) چندين روش رگرسيون و شبكة عصبي مصنوعي براي مدل كردن اكي والان برف ـ آب مقايسه كردند و گزارش دادند كه يك شبكه عصبي مصنوعي نتايج بهتري ارائه مي‌دهد.

HSU و همكاران (1995) گزارش كردند كه شبكه پيشخور چندين لايه بهترين ابزار براي تقريب توابع ورودي ـ خروجي است. آنها يك الگوريتم پيچيده جذر ـ كمينه خطي را براي آموزش يك شبكه پيشخور سه لايه پيشنهاد دادند. كه نشان داد روش مدل شبكه عصبي مصنوعي ارائه بهتري از روابط بارش ـ روانات براي يك حوضه با اندازه متوسط كه با مدل آرمكس يا مدل رطوبت خاك ساكرامنتو مقايسه شد مي‌دهد.

رامان و سانيل كومار (1996) شبكه عصبي مصنوعي را براي توليد جريان ورودي مصنوعي استفاده كردند و اجراي خود را با يك مدل چند متغيرة سريهاي زمان مقايسه نمودند. منيس‌وهال (1996) يكسري از آزمايشات عددي دربارة كاربرد يك شبكهء عصبي مصنوعي را به مدل كردن بارش ـ روناب هدايت كردند و نتيجه گرفتند كه شبكه‌هاي عصبي مصنوعي در شناسايي مفيد روابط بين دبي و بارندگي‌هاي قبلي توانا مي‌باشد.  پيشين Autecedent

كرير و همكارانش در سال (1996) يك سيستم هيدروگراف رواناب مجازي براساس يك شبكة عصبي را طراحي كردند و يك ارتباط خوب بين داده‌هاي مشاهده شده و پيش‌بيني شده بدست آوردند. رامان و چاندرا (1996) عملكرد مخزن يك سد را به دوروش برنامه‌نويسي ديناميكي (DP) و روند شبكه عصبي و (DP) و رويه دگرسيون چند خطي استخراج نمودند.

آنها نتيجه‌گيري كردند كه روش (DP) و شبكه عصبي اجراي بهتري از روش ديگر ارائه مي‌دهد. تير و مالايا و دئو (1998) يك شبكه عصبي مصنوعي براي تخمين مرحله وسن رودخانه بكار بردند و گزارش نمودند كه مقادير كمتر مرحله رودخانه با استفاده از اين روش بهتر تخمين زده شدند. داوسن و ويلبي (1998) يك شبكة عصبي مصنوعي براي تخمين جريان رودخانه بكار بردند و توانايي آنها در عهده داري با داده‌هاي ناقص و گم شده و يادگيري از پيش‌بيني شدن رايج از عهده برآمدن cope تصادفي در زمان واقعي را اشاره نمودند. آنها همچنين به نياز به رسيدگي دقيق به روابط بين طول دوره يادگيري و واقعيت هيدرولوژيكي تخمين شبكة عصبي مصنوعي تأكيد نمودند. علي و يرالتا در سال (1999) يك شبكة عصبي مصنوعي را در پيوستگي با يك الگوريتم ژنتيك براي مدل كردن حساسيت آبخوان پيچيده سطحي بكار گرفتند. جين و همكارانش (1999) يك شبكة عصبي مصنوعي براي تخمين ورودي و بهره‌برداري مخزن بكار بردند. ساجي كومار و تاندا و سوارا (1999) نتيجه گرفتند كه يك شبكة عصبي مصنوعي مؤثرترين مدلهاي جعبه سياه آزمايش شده براي كاليبراسيون دوره‌هاي كوتاه 6 ساله براي مدل‌هاي بارش رواناب مي‌باشد.

در مرور رشدي كاربردهاي شبكة عصبي در بخش آب، يك مرور جامع از مفهوم و كاربرد آنها توسط كميته اجرايي ASCE در كاربرد شبكه‌هاي عصبي مصنوعي در هيدرولوژي اجرا شد (ASCE 2000a,d). اين نتيجه مي‌شود كه ANN ها مي‌توانند به خوبي مدلهاي موجود انجام شوند. با اين وجود فيزيك پروسه اساسي هيدرولوژيكي محصور به سري وزنهاي بهينه و مقادير آستانه و نه قبلاً آشكار شده توسط استفاده كننده پس از آموزش مي‌باشد. در نتيجه شبكه‌هاي عصبي مصنوعي نمي‌توانند به عنوان داروي عمومي براي مسائل هيدرولوژيكي مورد ملاحظه قرار گيرند و نه جانشين ساير تكنيكهاي مدل سازي شوند.

در مقاله ارائه شده توسط آقايان نگي و تنبرگ و هيرانو در سال (2002) براي تخمين غلظت بار رسوب در رودخانه‌ها با روش شبكة عصبي مصنوعي، يك روش شبكه عصبي در انتقال رسوب با بكارگيري الگورتيم پس انتشار خطا ارزيابي مي‌كند. هدف از تحقيق تخمين غلظت و دبي كل رسوب در جريان‌ها و رودخانه هاي طبيعي مي‌باشد. سعي و خطاهاي زيادي براي طراحي ساختار مناسب شبكه انجام گرفته است. مدل با داده‌هاي اندازه گيري شده صحرائي كه متغيرهاي انتخاب شده مدل به منظور تخمين مناسب غلظت رسوب تطبيق مي‌شود. وزن‌هاي شبكه متعادل مي‌شوند و پارامترهاي نتايج مي‌دهد كه روش شبكة عصبي غلظت رسوب را به خوبي قابل مقايسه با روشهاي قراردادي تخمين مي‌زند.

ساختار
عمومي شبكه پيشنهادي :
ـ
الگورتيم پس انتشار خطا
ـ
انتخاب پارامترهاي دبي رسوب
ـ
بكارگيري داده‌هاي صحرائي دبي رسوب
جدول 2. محدوده داده هاي بكار رفته در يادگيري
و ارزيابي
ـ
آموزش شبكه و ارزيابي نتايج
ـ
كاليبراسيون پارامترهاي رسوب و دبي
 مقايسه با مطالعات قبلي
جدول 3: دقت فرمولها براي غلظت رسوب كل
ـ ارزيابي مدل با بكارگيري داده‌هاي رسوب معلق
جدول
4ـ محدودة داده‌هاي دبي و رسوب براي رودخانه‌هاي تست شده
جدول
5: دقت متدها براي داده‌هاي 5 رودخانه مختلف
نتيجه‌گيري
مدل عصبي مورد استفاده
نتايج
مدل عصبي و مقايسه آن با روش متداول تخمين رسوب
جدول6: نتايج شبيه‌سازي مسئله تخمين رسوب
رودخانه جاجرود، ايستگاه لتيان با شبكه عصبي
ـ
الگوريتم آموزش شبكة عصبي مصنوعي
بررسي
يادگيري شبكه عصبي
استفاده
از شبكة عصبي در رونديابي متمركز سيلاب
نتايج :