کیومرث روشنگر - Associate Professor, Department of Civil Engineering, University of Tabriz, Tabriz, Iran
سامان شهنازی - Department of water engineering, Faculty of civil engineering, University of Tabriz, Tabriz, Iran

انجام مطالعات فراوان در رابطه با انتقال رسوب و به ویژه پیش­بینی این پدیده نشانگر اهمیت بسیار بالای آن در علوم مرتبط با مهندسی و مدیریت منابع آب می­باشد. در این بین روش­های هوشمند در سال­های اخیر به طور موفقیت آمیزی در پیش­بینی بار بستر، بار معلق و همچنین بار کل رسوب به کار گرفته شده است. با این حال با توجه به کمبود داده­های مرتبط به بار کل برای رودخانه­های با بستر شنی، مطالعات انجام گرفته در این راستا محدود می­باشد. هدف از تحقیق حاضر استفاده از روش­های قدرتمند ماشین بردار پشتیبان، شبکه­ عصبی مصنوعی و رگرسیون فرآیند گاوسی به منظور پیش­بینی بار کل رسوب در ۱۹ رودخانه شنی واقع در ایالات متحده آمریکا و مقایسه نتایج حاصل با روش­های کلاسیک مرسوم می­باشد. بدین منظور پارامترهای بدون بعد مختلفی مبتنی بر هیدرولیک جریان و مشخصات رسوب تعریف و عملکرد روش­های مذکور مورد ارزیابی قرار گرفت. با توجه به نتایج به دست آمده شبکه عصبی مصنوعی با دارا بودن ضریب همبستگی و معیار ناش- ساتکیف به ترتیب برابر با ۹۵۲/۰ R= و ۹۰۳/۰ NSE= برای داده­های صحت­سنجی از عملکرد بهتری نسبت به دو روش دیگر برخوردار می­باشد. در نهایت با انجام تحلیل حساسیت، پارامتر نسبت سرعت متوسط به سرعت برشی جریان به عنوان تاثیرگذارترین پارامتر در پیش­بینی بار کل رسوب معرفی شد.

Total load, Gravel-bed rivers, Support vector machine, Artificial Neural Network, Gaussian process regression