پیش‌بینی غلظت بار معلق رسوبی (SSC) روزانه رودخانه‌ها با استفاده از روش‌های یادگیری ماشین و ارزیابی تأثیر الگوریتم ژنتیک بر مدل‌ها

پیش‌بینی دقیق پارامترهای مؤثر در مدیریت منابع آب، یکی از مسائل حیاتی در زمینه مهندسی آب است. از میان این پارامترها، بار رسوبات معلق در رودخانه‌ها به دلیل اثرات مخرب آن بر شاخص‌های کیفیت آب، کاهش ظرفیت مخازن آبی، و تغییرات در ساختار رودخانه، اهمیت خاصی دارد. در واقع، توسعه روش‌های مناسب و دقیق برای پیش‌بینی بار رسوبی رودخانه‌ها می‌تواند به عنوان یکی از چالش‌های مهم در فرآیند فرسایش و رسوب‌گذاری مطرح شود. با توجه به پیچیدگی پدیده رسوب و دشواری در تعیین دقیق معادلات حاکم به دلیل وجود پارامترهای متنوع و تغییرات مکانی و زمانی در شرایط هیدرولوژیکی حوضه آبی و مشکلات مرتبط با تعیین تأثیرات آنها، پژوهشگران به استفاده از مدل‌های جعبه سیاه مانند شبکه‌های عصبی مصنوعی روی آورده‌اند. در این تحقیق، به بررسی کارآیی این شبکه‌ها در تخمین و پیش‌بینی غلظت بار رسوب معلق در رودخانه‌ها پرداخته‌می‌شود. تلاش‌ها به منظور کشف رویکردهای نوآورانه، از تکنیک‌های رایج مانند جنگل تصادفی (RF)، پرسپترون چند لایه (MLP)، الگوریتم ژنتیک (GA)، و الگوریتم گرادیان کاهشی تصادفی (SGD) برای بهبود دقت مدل‌های ما (GA-MLP، GA-RF، SGD-MLP، SGD-RF) صورت گرفته است. این تحقیق بر مبنای داده‌های جمع‌آوری شده در طول دوره آماری ۱۳ ساله از دو ایستگاه رودخانه به نامهای اوردوباد و هورادیز واقع در رودخانه ارس، انجام شده است.هدف اصلی این تحقیق استفاده از روش‌های یادگیری ماشین و الگوریتم‌های بهینه‌سازی برای بدست آوردن تخمین دقیق از غلظت بار رسوب معلق در ایستگاه‌های انتخابی است. در نهایت، دقت نتایج به‌وسیله پارامترهای ارزیابی مانند CC، SI، WI، NSE و RAE با یکدیگر مقایسه خواهد شد، که امکان ارزیابی جامع عملکرد مدل‌ها را فراهم می‌سازد.