همواره پدیده انتقال رسوب، بسیاری از سازه‌‌های رودخانه‌‌ای و سازه‌های عمرانی را تحت تاثیر قرار داده و عدم اطلاع از میزان دقیق آن خسارات بسیاری را موجب می‌شود. از این جهت برآورد صحیح بار رسوبی در رودخانه‌ها از نقطه نظر رسوب، فرسایش و کنترل سیلاب بسیار حایز اهمیت است. در این تحقیق، از دو روش نوین داده‌کاوی شامل مدل درختی M5 و رگرسیون بردار پشتیبان برای برآورد بار رسوبی معلق رودخانه اهرچای در مقایسه با روش کلاسیک منحنی سنجه رسوب استفاده گردید. جهت ارزیابی عملکرد روش‌های استفاده شده از سه آماره شامل ‌‌ضریب همبستگی، جذر میانگین مربعات خطا و میانگین خطای مطلق استفاده گردید. با انجام تحلیل حساسیت مدل‌ها به متغیر ورودی مشخص گردید، متغیر دبی جریان در ماه جاری دارای بیشترین تاثیر بر روی میزان بار رسوبی معلق می‌باشد. در حالت کلی نتایج بدست آمده بیانگر دقت بسیار بالای روش‌های داده‌کاوی نسبت به منحنی سنجه رسوب می‌باشد. اگرچه هر دو روش داده‌کاوی بررسی شده دقت بیشتر و خطای کمتری نسبت به روش متداول منحنی سنجه رسوب داشته‌اند، اما با توجه به روابط خطی ساده و قابل فهم ارائه شده توسط مدل درختی M5، کاربرد این روش کارآمد در موارد مشابه توصیه می‌گردد. Manuscript profile

باتوجه به اهمیت مقدار جریان خروجی از حوضه آبریز جهت مدیریت آب های سطحی، فهم دقیق ارتباط بین مقدار رواناب با پارامترهای اقلیمی همچون بارش و دما و شناسائی موثرترین پارامتر در فرآیند مدل سازی بسیار مهم می‌باشد. در این تحقیق پس از آزمون همگنی داده‌های بارش، دما و رواناب ماهانه حوضه آبریز ناورود، ابتدا براساس دو الگوریتم رلیف و همبستگی دو ترکیب مختلف از پارامترهای موثر در رواناب مورد توجه قرار گرفت. الگوریتم جدید رلیف با استفاده از میانگین بردار وزنی مرتبط بین داده‌ها و یک مقدار آستانه، ویژگی‌های موثر در بین یک مجموعه از داده‌ها را به ویژه در شرایطی که تعداد داده‌ها کم باشد، به ترتیب اهمیت شناسایی می‌کند. سپس با استفاده از دو روش رگرسیون بردار پشتیبان و نزدیک‌ترین همسایگی رواناب ماهانه مبتنی بر دو ترکیب ورودی پیشنهادی مدل سازی گردید. نتایج به‌دست آمده نشان داد، روش رگرسیون بردار پشتیبان با بهره گیری از تابع کرنل شعاع محور نسبت به روش نزدیک‌ترین همسایگی از دقت بالا و خطای کمتری در برآورد رواناب به خصوص در مقادیر جریان‌های سیلابی برخوردار است. Manuscript profile

یکی از عواملی که همواره پل­ها را مورد تهدید قرار می­دهد، آب­شستگی موضعی می­باشد. پرشمار بودن فراسنج­های تاثیرگذار بر پدیده­ی آبشستگی و همچنین پیچیدگی فرایند آب­شستگی، بررسی این پدیده را با دشواری­های بسیار همراه نموده است. به­رغم تلاش­های زیاد صورت گرفته در این زمینه و تعدد روابط تجربی موجود، رابطه­ی کلی و جامعی برای تخمین عمق حفره­ی آب­شستگی در همه­ی شرایط موجود نیست. امروزه استفاده از روش­های نوین داده­کاوی، سامانه­های هوشمند و نرم­افزار درختی M5، برای حل و شبیه­سازی مسائل پیچیده­ی مهندسی آب مورد توجه واقع شده­اند. در این تحقیق، با استفاده از داده­های آزمایشگاهی و مشخص نمودن 10 نمایشنامه مختلف، شامل ترکیب­های متفاوتی از عوامل موثر بر آب­شستگی، سعی بر بررسی کارایی روش­های شبکه عصبی مصنوعی و نرم­افزار درختی M5 در تخمین عمق آب­شستگی پایه­ی پل و مقایسه­ی دستاوردها با نتایج روابط تجربی Melville، Mississippi و HEC-18 شده است. نتایج به­دست آمده نشان دادند نرم­افزار درختی M5، با ارائه­ی دو قانون ساده اگر-آن­گاه و با ضریب همبستگی 95/0 در مقایسه با روش شبکه­­های عصبی مصنوعی و روابط تجربی در تخمین آ­­ب­شستگی از کارایی بالایی برخوردار است. همچنین، مشخص گردید که برای داده­های آزمایشگاهی مورد استفاده در این تحقیق و از بین روابط تجربی موجود، روابط HEC-18، Mississippi و Melville به ترتیب از دقت نسبتا بالایی برخوردار می باشند. Manuscript profile