ارزیابی میزان برآورد رسوب با بهره گیری از روش منحنی سنجه ومقایسه نتایج با روش های رگرسیونی و شبکه عصبی مصنوعی (مطالعه موردی :رودخانه بابل رود-استان مازندران)
الموضوعات :علیرضا مردوخ پور 1 , حسین جاماسبی 2 , امید علیپور 3
1 - استادیار گروه مهندسی عمران، دانشگاه آزاد اسلامی لاهیجان، ایران *(مسوول مکاتبات)
2 - دکترای گروه مهندسی عمران، دانشگاه آزاد اسلامی لاهیجان، ایران
3 - کارشناس ارشد مهندسی عمران، دانشگاه آزاد اسلامی لاهیجان، ایران
الکلمات المفتاحية: رگرسیون, شبکه عصبی, رسوب, منحنی سنجه, رودخانه بابل رود,
ملخص المقالة :
زمینه و هدف: در تحقیق حاضر، هدف مقایسه تخمین بار رسوب معلق رودخانه بابلرود با استفاده از شبکه عصبی مصنوعی ، روش منحنی سنجه، و روش رگرسیون می باشد. روش بررسی: ورودی های مدل شامل دبی و خروجی مدل غلظت رسوب در گام زمانی بوده است. ورودی و خروجی رودخانه در دوره (1392-1359) دارای روند مثبت بوده و 75 درصد داده ها جهت آموزش و 25 درصد داده ها جهت آزمون شبکه مورد استفاده قرار گرفت. برای آموزش شبکه ابتدا تعدادی از داده ها که معرف شرایط مساله باشد را برای آموزش انتخاب کرده و بقیه داده ها جهت آزمون عملکرد شبکه آموزش دیده،به کار می رود. یافته ها: نتایج بدست آمده نشان می دهند که غلظت بار معلق رسوب حاصل از مدل های شبکه عصبی مصنوعی به داده های واقعی غلظت رسوب نزدیک تر هستند و ضریب همبستگی حاصل از شبکه عصبی مصنوعی معادل8/92 درصد می باشد. این در حالی است که ضریب همبستگی برای مدل های منحنی سنجه معادل1/87 درصد و روش رگرسیون آماری حداکثر معادل 90 درصدمی باشد. بحث و نتیجه گیری: سیستم شبکه عصبی مصنوعی نتایج و کارایی بهتری در پیش بینی بار معلق رسوب دارد و کارایی و انعطاف پذیری مدل شبکه عصبی مصنوعی در پیش بینی میزان رسوبات معلق رودخانه نسبت به مدل های آماری و منحنی سنجه نشان داده شده است.
- Ahmadi, M. (2012). Estimating sediment of rivers by RBF and MLP. 11th hydraulic conference in Iran, Urmia University, IRAN (In Persion).
- Amutha, R., Porchelvan, P.2011. Seasonal Prediction of Ground Water Levels Using Anfis and Radial Basis Neural Network, International Journal of Geology, Earth and Environmental Sciences .7(3):pp. 34-56
- Bhattacharya, B., Price R.K. And Solomatine. D.P.2007.Machine learning approach to modeling sediment transport, Journal of Hydraulic Engineering, 133(4): pp.440-450.
- Hyuk, P., Jang, K., Zhiqing, Kwon. Hyuk, J.and Lee, J.2009. Prediction debrid Yield from burned watershed: comparison of statistical and artificial neural network models, Journal of American Water resources association, 45, (1).
- Issazadeh, L.Govay, B.2014.Reservoir Sediment Prediction in Duhok Dam Using Artificial Neural Network and Conventional Methods. Indian Journal of Fundamental and Applied Life Sciences.4: pp.56-67.
- Mirbagheri, S., and Rajaei, T. 2006. Improve the predict and estimating river suspended load with artificial neoural networks. P 435-443, In: The 7rd Civil Engineering National Conference. Tehran.
- Najafinejhad, A., Babaei, A., Saniei, E., and Mahmoodi, O. 2010. Comparision of monthly and seasonal suspended load rating curves in several Golestan province rivers. In: The 4rd National Seminar on Erosion and Sediment. Noor, Iran, 6p.
- Rajaee,T.,V.Nourani,M. and Kisi,.O. 2011. River suspended sediment load prediction: Application of ANN and wavelet conjunction model, Hydrologic Engineering, 16(8):pp.613-627.
- Rezaei, M., Fereydooni, M.2015.comparative evaluation of adaptive neuro-fuzzy inference system (Anfis) and artificial neural network (ANN) in simulation of suspended sediment load. Indian Journal of Fundamental and Applied Life Sciences.6:pp.78-86.
- Sadeghi, S.H.R., Saeedi, P., Raeesi, M.B., and Noor, H. 2010. Operation of median groups method in improvement of monthly sediment rating relations. In: The 4th National Seminar on Erosion and Sediment. Noor, Iran, 6p.
- Varvani, J., Najafinejhad, A., and Mirmoeeni, A. 2008. Correction of sediment rating curve with minimum variance unbiased estimator method. J. Agric. Sci. and Natur. Resour. 15: 1.123-131.
- Zhou, Y., Lu, X.X., Huang, Y., Zhu, Y.M., 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the upper Yangtze catchment, China.Geomorphology84, 111-125.
_||_
- Ahmadi, M. (2012). Estimating sediment of rivers by RBF and MLP. 11th hydraulic conference in Iran, Urmia University, IRAN (In Persion).
- Amutha, R., Porchelvan, P.2011. Seasonal Prediction of Ground Water Levels Using Anfis and Radial Basis Neural Network, International Journal of Geology, Earth and Environmental Sciences .7(3):pp. 34-56
- Bhattacharya, B., Price R.K. And Solomatine. D.P.2007.Machine learning approach to modeling sediment transport, Journal of Hydraulic Engineering, 133(4): pp.440-450.
- Hyuk, P., Jang, K., Zhiqing, Kwon. Hyuk, J.and Lee, J.2009. Prediction debrid Yield from burned watershed: comparison of statistical and artificial neural network models, Journal of American Water resources association, 45, (1).
- Issazadeh, L.Govay, B.2014.Reservoir Sediment Prediction in Duhok Dam Using Artificial Neural Network and Conventional Methods. Indian Journal of Fundamental and Applied Life Sciences.4: pp.56-67.
- Mirbagheri, S., and Rajaei, T. 2006. Improve the predict and estimating river suspended load with artificial neoural networks. P 435-443, In: The 7rd Civil Engineering National Conference. Tehran.
- Najafinejhad, A., Babaei, A., Saniei, E., and Mahmoodi, O. 2010. Comparision of monthly and seasonal suspended load rating curves in several Golestan province rivers. In: The 4rd National Seminar on Erosion and Sediment. Noor, Iran, 6p.
- Rajaee,T.,V.Nourani,M. and Kisi,.O. 2011. River suspended sediment load prediction: Application of ANN and wavelet conjunction model, Hydrologic Engineering, 16(8):pp.613-627.
- Rezaei, M., Fereydooni, M.2015.comparative evaluation of adaptive neuro-fuzzy inference system (Anfis) and artificial neural network (ANN) in simulation of suspended sediment load. Indian Journal of Fundamental and Applied Life Sciences.6:pp.78-86.
- Sadeghi, S.H.R., Saeedi, P., Raeesi, M.B., and Noor, H. 2010. Operation of median groups method in improvement of monthly sediment rating relations. In: The 4th National Seminar on Erosion and Sediment. Noor, Iran, 6p.
- Varvani, J., Najafinejhad, A., and Mirmoeeni, A. 2008. Correction of sediment rating curve with minimum variance unbiased estimator method. J. Agric. Sci. and Natur. Resour. 15: 1.123-131.
- Zhou, Y., Lu, X.X., Huang, Y., Zhu, Y.M., 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the upper Yangtze catchment, China.Geomorphology84, 111-125.