بار رسوب از جمله عوامل مهم تأثیرگذار در عملکرد هیدرولیکی و ساختار ریختشناسی رودخانهها تلقی میشود. همچنین مهندسی و بهرهبرداری از منابع آب رودخانهها در گرو آگاهی از کمیت بار رسوب آن میباشد. لذا استفاده از روشهای مناسب برای محاسبه و تخمین بار رسوب از دیر باز مورد توجه متخصصین مسائل رودخانهای قرار گرفته است. در این تحقیق با استفاده از دو روش هوش مصنوعی شامل برنامهریزی ژنتیک (GP) مبتنی بر گراف و روش توابع پایه شعاعی (RBF) و استفاده از آمار و اطلاعات 12 ساله چهار ایستگاه هیدرومتری گوراب، سرکمر، جاده دهلران و بیات بر روی رودخانه میمه در استان ایلام، بار رسوب معلق رودخانه تخمین زده شد. در این تحقیق، پارامترهای شماره ماه و دبی رودخانه، به عنوان پارامتر ورودی و بار رسوب رودخانه، به عنوان پارامتر خروجی، بکار گرفته شد. در معادلات به دست آمده از روش برنامهریزی ژنتیک (GP)، بیشترین همبستگی بهدست آمده مربوط به ایستگاه هیدرومتری گوراب با 18/99 درصد و کمترین همبستگی بهدست آمده مربوط به دادههای تجمیع شده چهار ایستگاه هیدرومتری با 17/92 درصد میباشد. در روش توابع پایه شعاعی (RBF)، حداکثر همبستگی دادههای آموزشی و آزمایشی مربوط به ایستگاه بیات به ترتیب با 100 و 20/94 درصد حاصل شد و نتایج، نشاندهنده دقت بالای تخمین بار رسوب در ایستگاههای هیدرومتری مورد مطالعه میباشد. نتایج تحقیق نشان داد روش توابع پایه شعاعی (RBF) در تخمین بار رسوب معلق رودخانه میمه، عملکرد بهتری نسبت به روش برنامهریزی ژنتیک (GP) داشته است.
