@article { author = {Moradinejad, Amir and Davod Maghami, Davod and Moradi, Mojtaba}, title = {Effectiveness Assessment of Suspended Sediment Load Estimation Methods in the Ghar Chai River}, journal = {Environment and Water Engineering}, volume = {5}, number = {4}, pages = {328-338}, year = {2020}, publisher = {Iranian Rainwater Catchment Systems Association}, issn = {2476-3683}, eissn = {2476-3683}, doi = {10.22034/jewe.2020.211925.1341}, abstract = {Estimation of sediment load in rivers is one of the most important and applicable issues in studies and design of river and water engineering projects. Therefore, identification and suggestion of suitable methods for estimating suspended sediment load should be done based on relevant research. These methods include artificial neural network models, neurophysics, sedimentation rate curve as well as multivariate regression model. In this study, the efficiency of these methods was investigated in predicting discharge rate of suspended sediments of Gharachai River watershed. Daily time series data of measured flow discharge and sedimentation of bridge station of Gharachai River were used. The statistical period used in this model was two years (2016-2017). Independent variables used to enter the network include runoff and suspended load at the Gharachai River Doab Bridge station. The dependent variable, which is the network output, was the suspended load. After modeling with each compound and calculating RMSE and R2 values, the best combination was selected. The results showed that the neurophasic method based on discharge and sediment inputs and artificial neural network models based on discharge inputs were more accurate than multivariate regression and sedimentation rate curve. For values ​​higher the long-run mean of the statistical series, the values ​​simulated by the ANN model and for values less the mean and annual sediment load were also closer to the observed values. While for maximum values, no significant difference was found between ANN models, neurophysics, and linear regression.}, keywords = {Artificial Neural Network,Doab Bridge,Neuro-Fuzzy,Sediment rating curve,Suspended sediments}, title_fa = {بررسی کارایی روش‌های برآورد بار رسوب معلق رودخانه قره‌چای}, abstract_fa = {برآورد بار رسوب رودخانه­ها از مسائل مهم و کاربردی در مطالعات و طراحی پروژه­های مهندسی آب و رودخانه می­باشد. لذا شناسایی و پیشنهاد روش­های مناسب جهت برآورد بار معلق رسوب باید بر اساس پژوهش­های مرتبط انجام شود. از جمله این روش­ها مدل­های شبکه عصبی مصنوعی، نروفازی، منحنی سنجه رسوب و همچنین مدل رگرسیونی چند­متغیره می­باشد. در این پژوهش کارایی این روش­ها در پیش­بینی میزان دبی رسوبات معلق حوزه آبخیز رودخانه قره­چای موردبررسی قرار گرفت. همچنین، از سری زمانی روزانه داده­های اندازه­گیری شده دبی جریان و رسوب ایستگاه پل دوآب رودخانه قره­چای استفاده‌ شد. طول دوره آماری استفاده‌شده در این مدل دو سال آبی (1395-1396) بود. متغیرهای مستقل مورداستفاده برای ورود به شبکه شامل رواناب و بار معلق ایستگاه پل دوآب رودخانه قره­چای بود. متغیر وابسته که همان خروجی شبکه است، بار معلق بود. پس از انجام مدل­سازی با هر یک از ترکیب­ها و محاسبه مقادیر RMSEو R2، بهترین ترکیب انتخاب شد. نتایج نشان داد که روش نروفازی بر اساس ورودی­های دبی و رسوب و مدل­های شبکه عصبی مصنوعی بر اساس ورودی­های دبی، نسبت به رگرسیون چند متغیره و منحنی سنجه رسوب، دارای دقت مطلوب­تری بود. برای مقادیر بالاتر از میانگین درازمدت سری آماری، مقادیر شبیه‌سازی‌شده با مدل شبکه عصبی مصنوعی و برای مقادیر پایین‌تر از میانگین و بار رسوب سالانه هم برآورد نروفازی نسبت به مقادیر مشاهداتی نزدیک­تر بود. درحالی‌که برای مقادیر حدی بیشینه، تفاوت معنی­داری بین مدل­های شبکه عصبی مصنوعی، نروفازی و رگرسیون خطی مشاهده نگردید.}, keywords_fa = {پل دوآب,نروفازی,رسوبات معلق,شبکه عصبی مصنوعی,منحنی سنجه}, url = {http://www.jewe.ir/article_102680.html}, eprint = {http://www.jewe.ir/article_102680_7698f80b7009a4986fd6ab8e2e738d6b.pdf} }