پیش بینی اتلاف کارمایه در سرریز توری سنگی پله ای با استفاده از شبیه درختیM5
الموضوعات :فرناز نهرین 1 , محمد تقی ستاری 2 , فرزین سلماسی 3
1 - دانشجوی کارشناسی ارشد، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
2 - عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
3 - عضو هیئت علمی گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز
الکلمات المفتاحية: افت کارمایه, داده کاوی, شبیه درختی M5, سرریز توری سنگی پله ای,
ملخص المقالة :
سازه های توری سنگی کاربردهای زیادی در طرحهای آبی، بخصوص انواع سرریزها، دارند. اتلاف کارمایه جریان از روی این سازه ها زیاد بوده، و لذا هزینه های ساختن حوضچهی آرامش کاهش می یابد. از نقطه نظر کیفیت آب و تاثیر بر محیط زیست، سرریزهای توری سنگی نفوذپذیر تاثیر منفی کمتری نسبت به سرریزهای صلب نفوذناپذیر دارند. در این تحقیق، توانایی شبیه درختی M5 جهت برآورد اتلاف کارمایه از روی سرریزهای توری سنگی پله ای بررسی شده است. شبیه درختی M5 دارای دو گزینهی M5P و M5Rule می باشد، که تفاوت آنها در نوع خروجی شبیه است. برای این منظور، از داده های اندازه گیری شده بر روی 8 نمونهی فیزیکی در خصوص استهلاک کارمایه بر روی سرریز های توری سنگی پله ای استفاده شده است. نتایج نشان میدهند که شبیه M5Rule به عنوان یکی از روشهای داده کاوی در پیش بینی اتلاف کارمایه از روی سرریز توری سنگی عملکرد خوبی داشته (946/0)، و بده و ارتفاع سرریز جزء مهمترین فراسنجهای دخیل در محاسبهی اتلاف کارمایه می باشند. مقایسهی نتایج به دست آمده از روش M5 با وایازی خطی لجستیک، نشان از قدرت پیش بینی بالای این روش داشت.
4- Alberg, D., M. Last, and A. Kandel. 2012.
Knowledge discovery in data streams with
regression tree methods. WIREs Data
Mining Knowl. Discov. 2: 69-78
DOI:10.1002/widm.51.
5- Bhattacharya, B., and D.P. Solomatine.
2004. Neural networks and M5 model
trees in modeling water level-discharge
relationship. Department of
Hydroinformatics and Knowledge
Management,NESCO-IHE Institute for
Water Education, P.O. Box 3015,2601 DA
Delft,the Netherlands.
6- Ditthakit, P., and C.H. Chinnarasri. 2012.
Estimation of pan coefficient using M5
model tree. Am.J.Environ.Sci. 8: 95-103.
7- Kells, J.A. 1993. Discussion of spatially
varied flow over rockfill embankments.
Can. Civ. Eng. 20: 820-827.
8- Mohamed, H.I. 2010. Flow over gabion
weirs. J. Irrig. Drain. Eng. Div. ASCE
136:573-577.
9- Pal, M. 2006. M5 model tree for land
cover classification. Int.J.Remote Sens. 27:
825-831.
10- Pal, M., and S. Deswal. 2009. M5 model
tree based modeling of reference
evapotranspiration. Hydrol. Process 23:
1437-1443.
11- Peyras, L., P. Royet, and G. Degoutte.
1992. Flow and energy dissipation over
stepped gabion weirs. J. Hydraul. Eng.
Div. ASCE. 118: 707-717.
86 پیش تیٌی اتالف کارهایِ در سرریس تَری سٌگی پلِ ای تا استفادُ از شثیِ درختیM5
12- Quinlan, J.R. 1992. Learning with
continuous classes. In N. Adams & L.
Sterling (Eds.), proceedings of the 5th
Australian Joint Conference on artificial
Intelligence, Hobart, TAS, pp. 343-348.
Singapore: World Scientific.
13- Salmasi, F., M.T. Sattari, and M. Pal.
2012. Application of data mining on
evaluation of energy dissipation over low
gabion-stepped weir. Turk. J. Agric. 3695-
106 TUBITAK DOI:10.3906/tar-1011-
1506.
14- Sattari, M.T., A.S. Anli, H. Apaydin, and
S. Kodal 2012. Decision trees to determine
the possible drought periods in Ankara.
Atmosfera 25: 65-83.
15- Singh, K.K., M. Pal, and V.P. Singh. 2010.
Estimation of mean annual flood in Indian
catchment using backpropagation neural
network and M5 model tree. Water resour.
Manage. 24 DOI:10.1007/s11269-009-
9535-x
16- Solomatine, D.P., and Y. Xue. 2004. M5
model trees and neural networks:
Application to flood forecasting in the
upper reach of the Huai River in China. J.
Hydrol. Eng. 9: 491–501.
17- Stephenson, D. 1979. Gabion energy
dissipaters. 13th Int. Cong. on Large Dams.
New Delhi. India. Q.50, R. (3): 33-34.
18- Stravs, L., and M. Brilly. 2007.
Development of a low-flow forecasting
model using the M5 machine learning
method. Hydrolog. Sci. J. 52: 466-477.
19- Yurekli, K., M.T. Sattari, A.S. Anli, and
M.A. Hinis. 2012. Seasonal and annual
regional drought prediction by using datamining approach. Atmosfera 25: 85-105.
