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

تاريخ الإرسال : 21 الإثنين , صفر, 1438 تاريخ التأكيد : 14 الأربعاء , شعبان, 1438 تاريخ الإصدار : 26 الثلاثاء , جمادى الأولى, 1441

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.

المصادر:

1. Ahmadi, M. (2012). Estimating sediment of rivers by RBF and MLP. 11^th hydraulic conference in Iran, Urmia University, IRAN (In Persion).


2. 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


3. 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.


4. 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).


5. 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.


6. 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.


7. 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.


8. 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.


9. 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.


10. 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.


11. 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.


12. 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.