توسعه‌ مدل شبکه‌ عصبی بر مبنای توابع آموزش گرادیان مزدوج و پس‌انتشار ارتجاعی برای پیش‌بینی ضریب انتشار طولی رودخانه‌ها

Abstract

گام‌‌‌‌‌ اساسی در مدل‌سازی کیفی محیط‌های آبی یک بعدی مانند رودخانه‌ها، تعیین ضریب انتشار طولی (LDC) برای معادله‌ی انتقال-پخش آلاینده‌ها است. در این مقاله برای پیش­بینی LDC، مدل شبکه‌ی عصبی مصنوعی (ANN) بر مبنای الگوریتم‌های آموزشی با رویکرد عددی و همچنین رویکرد اکتشافی توسعه داده شده است. برای این منظور توابع آموزشی گرادیان مزدوج شامل توابع فلچر-ریوس، پولاک-ریبره، پاول-بیل و گرادیان مزدوج مقیاس­دار از دسته الگوریتم‌های عددی و همچنین تابع پس‌انتشار ارتجاعی از دسته الگوریتم‌های اکتشافی برای بهینه‌سازی پارامترهای مدل ANN استفاده شدند. در مرحله‌ی بعد با استفاده از آماره­های بررسی شده برای ارزیابی نتایج، بهترین مدل با ساختار شامل هر یک از توابع نامبرده انتخاب شدند و در ادامه از بین مدل­های منتخب، مدلی که بهترین عملکرد را داشت، یعنی مدل با تابع آموزش پس‌انتشار ارتجاعی، با توجه به آماره‌ی نسبت تفاوت توسعه یافته (DDR)، به عنوان نتیجه نهایی این مقاله برگزیده شد. در پایان نیز برای ارزیابی بهتر نتایج تحقیق، رویکردی مقایسه‌ای بین نتیجه بهترین مدل توسعه داده شده با دیگر مطالعات انجام گرفته به وسیله مدل‌های هوشمند انجام شد که یافته‌ها حاکی از عملکرد برتر مدل پس‌انتشار ارتجاعی بود.