fa ارزیابی دقت برآورد میزان انتقال رسوب معلق در سدهای مخزنی توسط سیستم استنتاج فازی- عصبی وشبکه عصبی مصنوعی (مطالعه موردی :رودخانه سفیدرود-استان گیلان) هیدرولوژی و برنامه ریزی منابع آب هیدرولوژی و برنامه ریزی منابع آب پژوهشي Research <p dir="RTL">در تحقیق حاضر، هدف مقایسه تخمین بار رسوب معلق در سدهای مخزنی با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی می باشد. بررسیها توسط برنامه&nbsp; <span dir="LTR">MATLAB</span> انجام شده است و ورودی ها شامل دبی رودخانه سفید رود و خروجی، غلظت رسوب در گام زمانی بوده است.ورودی و خروجی رسوب دارای روند مثبت بوده و 80 درصد داده ها جهت آموزش و 20 درصد داده ها جهت آزمون شبکه مورد استفاده قرار گرفت. از تعداد 229 داده موجود 182 داده به عنوان داده های آموزشی و 47 داده برای آزمون بکار برده شده است.<span dir="LTR">.</span> نتایج بدست آمده نشان می دهند که پیش بینی غلظت بار معلق رسوب حاصل از مدل سیستم استنتاج فازی- عصبی به داده های واقعی غلظت رسوب نزدیک تر هستند و ضریب همبستگی حاصل از سیستم استنتاج فازی- عصبی 90 درصد می باشد. این در حالی است که ضریب همبستگی برای مدل های شبکه عصبی مصنوعی 83 درصد بدست آمده است. لذا سیستم استنتاج فازی- عصبی در پیش بینی میزان رسوب معلق نسبت به مدل شبکه عصبی مصنوعی دارای کارایی بهتری می باشد.</p> <p>In this research the object is comparison of estimation suspended sediment load transferred behind storage dams by neuro-fuzzy inference system (ANFIS) and artificial neural network (ANN). The investigations have been conducted by using MATLAB program. The inputs conclude discharge of Sefidrud River (north of Iran) and the output is sediments concentration in time series. The input and output of river have positive procedure and 80% of data utilized for training and 20% for tests. For training the network, data that recognize issue conditions were selected and some data for testing, In conclusion, from 229 of data, 182 were applied for training phase and 47 for testing. The results show the concentration of sediment suspended load derived artificial neural network and neuro-fuzzy inference system is close together and regression coefficient is 90%, while regression coefficient is 83% for artificial neural network merely. In conclusion, neuro-fuzzy inference system (ANFIS) has more workability for prediction of suspended sediment load to artificial neural network (ANN).</p> <p></p> شبکه عصبی مصنوعی, برنامه MATLAB, سیستم استنتاج فازی- عصبی,غلظت بار رسوب , ضریب رگرسیون artificial neural network, MATLAB program, neuro-fuzzy inference system, sediment load concentration, regression coefficient 49 55 http://journal.hydropower.org.ir/browse.php?a_code=A-10-245-2&slc_lang=fa&sid=1 alireza mardookhpour علیرضا مردوخ پور alireza.mardookhpour@yahoo.com 0055153585 10031947532846002386 Yes islamic azad university دانشگاه آزاد اسلامی hosein jamasbi حسین جاماسبی hos.jamasbi@gmail.com 2721557068 10031947532846002387 No islamic azad university دانشگاه آزاد اسلامی