نشریه زمین شناسی مهندسی

---

برآورد سیلاب و مدیریت آن از دیرباز مورد توجه کارشناسان و مدیران علوم محیطی بوده است. برای این امر روش‌‌های بسیاری وجود دارد که یکی از چشم‌گیرترین آن‌‌ها استفاده از شبکه‌‌های عصبی مصنوعی است. در این تحقیق، مدل بارش- رواناب حوضه آبریز رودخانه هلیل رود در جنوب‌شرق ایران ارائه شده است. ظهور تئوری‌های توانمند مانند منطق فازی و شبکه‌‌های عصبی مصنوعی(ANN)، الگوریتم ژنتیک و موجک تحولی عظیم در تحلیل رفتار سیستم‌‌های دینامیک در علوم مختلف مهندسی ایجاد کرده است. در این مقاله با استفاده از تئوری موجک و شبکه عصبی، شبکه عصبی- موجکی طراحی شده است. در واقع عمل‌کرد شبکه عصبی پرسپترون چند لایه(MLP)، با استفاده از موجک بهبود داده شده و با استفاده شبکه عصبی- موجکی الگوی جدیدی در بارش- رواناب ارائه شده است. نتایج به‌دست آمده از این مدل با نتایج شبکه عصبی انتشار برگشتی و بنیادی شعاعی مقایسه شده است. در الگوی ارائه شده، داده‌ها در گروه‌های همگن با توجه به میزان بارش و رواناب و به‌کارگیری آن‌ها توسط شبکه عصبی- موجکی، دسته‌بندی شده است. کنترل دقت محاسبات با محاسبه ضریب همبستگی R، و ریشه میانگین مربعات خطا(RMSE) صورت گرفته است. نتایج حاکی از بهبود بسیار خوب عمل‌کرد شبکه عصبی- موجکی با استفاده از داده‌های تقسیم‌بندی شده با الگوی جدید است.

---

زمین­لغزش­ها هر سال خسارت­های مالی و جانی زیادی به‌بار می­آورند. نقشه­های پهنه‌بندی خطر زمین­لغزش می­توانند به کاهش این خسارت­ها کمک کنند. حوزۀ آبخیز طالقان از جمله­ حوزه­های مستعد زمین­لغزش است که بررسی شده است. در این مقاله به پهنه­بندی خطر زمین­لغزش در این منطقه و در مقیاس 50000/1، و با در نظر داشتن لایه­های اطلاعاتی پراکندگی لغزش­ها، شیب، برای شیب، زمین‌شناسی (لیتولوژی)، فاصله از گسل­ها، فاصله از آبراهه­ها، با روش شبکه­های عصبی مصنوعی مبتنی بر توابع پایه­ای گوسی (RBF) و شبکه‌های عصبی پرسپترون (MLP) می‌پردازیم. کلیات روش RBF تا حدود زیادی مشابه شبکه­های عصبی پرسپترون (MLP) است که تا کنون قابلیت آن مشخص شده­ است و چندین تفاوت ساختاری در مؤلفه­ها بین این دوروش شبکۀ عصبی وجود دارد. از نتایج نهایی مشخص شد که نقشه‌های حاصل از هر دو روش قابل قبول هستند و روش MLP دقت بیش‌تری نسبت به‌روش RBF دارد.