الهام ایزدی نیا - استادیار گروه مهندسی عمران، دانشگاه شهید اشرفی اصفهانی (ره)
عالیه سعادت پور - دانشجوی دکترای گروه علوم و مهندسی آب، دانشگاه فردوسی مشهد
منوچهر حیدرپور - استاد گروه مهندسی آب، دانشگاه صنعتی اصفهان

انتقال طولی آلاینده ها یکی از مراحل مهم در فرآیند رقیق سازی آلاینده ها میباشد که شناخت آن از اهمیت ویژهایبرخوردار است. دشواری اندازه گیری ضریب انتشار طولی در رودخانهها نیاز به استفاده از روشهای مناسب مدلسازیدر پیشبینی این ضریب را بیشتر میکند. یکی از روشهای کارآمد مدل سازی شبکه عصبی مصنوعی است که یکی ازتکنیکهای هوش مصنوعی محسوب میشود. در این مدل بدون استفاده از معادلات پیچیده غیرخطی، میتوان دینامیکحاکم بر سیستم را استخراج نموده و از این طریق، خروجی مدل را پیشبینی نمود. در این مطالعه ضریب انتشار طولی باتوجه به مقادیر پارامترهای هیدرولیکی و هندسی رودخانه ها به عنوان پارامترهای ورودی و با استفاده از شبکه عصبیمصنوعی پیش بینی گردید. نتایج نشان داد شبکه پرسپترون پیشخور، پس انتشار خطا از دقت مناسبی برای تخمین ضریبپخش طولی آلودگی برخوردار است. نتایج تحلیل ترکیب پارامترهای ورودی نشان داد که با لحاظ نسبت سرعت به سرعت۰ % و در صورت لحاظ / ۰ و تابع خطا برابر ۸۷ / برشی بهعنوان پارامتر ورودی مدل، میزان ضریب تعیین همبستگی ۸۴۱/ ۰ و تابع خطا برابر ۰۱ / نسبت عرضجریان به عمق جریان بهعنوان پارامتر ورودی، میزان ضریب تعیین همبستگی ۷% حاصل شد. بنابراین نسبت سرعت بهسرعت برشی یا ضریب زبری دارای تاثیر بیشتری بر ضریب انتشار طولی است.روشارائهشده در این تحقیق رهیافتی کارآمد در تخمین ضریب پخش طولی آلودگی در رودخانه ها محسوب شده و قابلیتترکیب با سایر مدلهای پخش آلودگی را دارا میباشد.

آلاینده, انتقال آلودگی, شبکه عصبی مصنوعی, ضریب پخش طولی, کانال باز