موضوع: تغذیهگرایی یکی از چالشهای مهم کیفی در بهرهبرداری از مخازن سدها است که میتواند موجب رشد جلبکها، کاهش شفافیت آب، افت اکسیژن محلول و ایجاد محدودیت در استفاده از منابع آب شود. هدف: شبیهسازی شاخص تغذیهگرایی در مخزن سد کرخه، از مدلهای یادگیری عمیق شامل RNN و LSTMدر تلفیق با دو الگوریتم بهینهسازی فراابتکاری HOA و FHOاست. روش تحقیق: شاخص کارلسون در 6 ایستگاه پایش و 4 عمق مختلف محاسبه شد و سپس شبیهسازی آن در مقیاس ماهانه با استفاده از 10 سناریوی مختلف متغیرهای ورودی انجام شد. دادههای مورد استفاده مربوط به یک دورۀ پنجساله بود که چهار سال برای آموزش و یک سال برای آزمون مدلها در نظر گرفته شد. یافتهها: نتایج پهنهبندی نشان داد مقدار شاخص تغذیهگرایی با افزایش عمق کاهش یافته و در فصل تابستان، به دلیل افزایش دمای آب، پایداری لایهبندی حرارتی و افزایش زمان ماند، مقدار شاخص افزایش مییابد. همچنین، ایستگاههایی با فاصلۀ بیشتر از ساختگاه سد و جریان خروجی، به دلیل ماندگاری بیشتر آب و احتمال تجمع مواد مغذی، مقادیر بالاتری از شاخص را نشان دادند. نتایج شبیهسازی بیانگر برتری مدل LSTM-FHOدر برآورد شاخص تغذیهگرایی بود. این برتری را میتوان به توانایی LSTMدر یادگیری وابستگیهای زمانی بلندمدت و قابلیت FHOدر بهینهسازی پارامترهای مدل نسبت داد. بررسی سناریوهای ورودی نیز نشان داد پارامترهای اکسیژن محلول، دمای آب، جریان سطحی ورودی به مخزن و تراز آب، مهمترین متغیرهای مؤثر در شبیهسازی شاخص کارلسون هستند. نتیجهگیری: تلفیق مدلهای یادگیری عمیق با الگوریتمهای بهینهسازی میتواند رویکردی کارآمد برای پایش، شبیهسازی و مدیریت تغذیهگرایی در مخازن سدها باشد.
