مدلسازی بار رسوب کل رودخانه‌ها با استفاده از شبکه‌های عصبی مصنوعی
محورهای موضوعی : مدیریت آب در مزرعه با هدف بهبود شاخص های مدیریتی آبیاریامین فلامکی 1 , مهناز اسکندری 2 , عبدالحسین بغلانی 3 , سید احمد احمدی 4
1 - استادیار گروه مهندسی؛ دانشگاه پیام نور؛ ایران
2 - باشگاه پژوهشگران جوان؛ دانشگاه آزاد اسلامی؛ واحد علوم و تحقیقات؛ تهران؛ ایران
3 - استادیار دانشکده عمران و محیط¬زیست؛ دانشگاه صنعتی شیراز؛ ایران
4 - کارشناس ارشد سازه‌های هیدرولیکی
کلید واژه: پرسپترون چند لایه, توابع پایه شعاعی, روابط انتقال رسوب, غلظت رسوب کل,
چکیده مقاله :
برآورد بار رسوب کل رودخانه ها از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. غلظت رسوب می تواند به روش های مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روش های مستقیم پرهزینه و زمان بر هستند. همچنین بار رسوب کل می تواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آن ها با یکدیگر و با مقادیر اندازه گیری شده متفاوت است. هدف از این پژوهش ارائه روشی بر پایه شبکه های عصبی مصنوعی (ANN) در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) و 200 نمونه، استفاده شد. 75 درصد از داده ها برای آموزش و 25 درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای ورودی مدل ها شامل سرعت متوسط جریان، شیب کف آبراهه، عمق متوسط، عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل، غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکه ها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسب ترین مدل تعیین شود. سپس نتایج حاصل از مدل های ANN با پنج معادله معروف انتقال رسوب مقایسه شدند. شاخص‌های آماری نشان داد که دقت شبکه های عصبی به ویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی 96/0 بیش از سایر مدل هاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع داده های هیدرولوژیک و رسوب است. رابطه Ackersو White در برآورد مقدار بار رسوب کل بسیار بیش برآورد و سایر روابط، کم برآورد بودند. نتایج این پژوهش نشان داد که مدل های ارائه شده بر پایه شبکه های عصبی با مقادیر رسوب کل مشاهده شده هم خوانی بیشتری دارند و بویژه شبکه MLP می تواند مقدار رسوب را در نقاط پیک به خوبی برآورد نماید.
Estimating total sediment load in rivers is an important and practical issue for water resources planning and management. The sediment concentration can be calculated by both direct and indirect measurements, but direct methods are usually costly and time-consuming. Further, total sediment load can be determined by several sediment load transport models. These equations, however, are applicable in certain circumstances, and in most cases the outcomes do not agree with each other and with measured data. The objective of this study was to propose a method based on artificial neural networks (ANN) to predict total sediment load concentration. Consequently, two ANNs including multilayer perceptrone (MLP) and radial basis function (RBF) with 200 data were used for the modeling purposes. For training and testing the ANN models, 75 and 25 percent of data were used, respectively. The input variables were designated to be average flow velocity, average depth, water surface slope, canal width and median particle diameter of sediment, while the models output was total sediment load concentration. The input variables were included to the models step wisely and the results were evaluated to find out the most suitable ANN models. The predicted values were then compared with five known sediment load transport equations. The conducted statistical analyses indicated that ANNs models in particular MLP can provide better prediction for total sediment load with correlation coefficient of 0.96. It was further concluded that to enhance the accuracy of ANN model, training of the network should be accomplished using both hydrological and sediment data. The Ackers and White equation was very overestimating the total sediment load, while all other equations were underestimating. Based on the results obtained in this study, the ANN-based models provide better concurrence with the observed data, particularly MLP network which can reasonably well predict the peak point of total sediment.