بخشی از مقاله
چکیده
برآورد صحیح حجم رسوبات حمل شده توسط رودخانهها در پروژههای آبیاری از اهمیت بسیاری برخوردار است. پدیدههای فرسایش و انتقال رسوب در آبراههها ورودخانه ها از پیچیدهترین مباحث مهندسی رودخانه میباشد.فرسایش زیاد وانتقال دائم این مواد نه تنها باعث برهم خوردن تعادل طبیعی رودخانه و آبراهه می شود، بلکه سبب ایجادخساراتی ازقبیل تغییرمسیررودخانه،انباشت رسوبات درپشت سدهاوکاهش حجم مفید آن ها نیز می گردد.شبکههای عصبی مصنوعی یک روش کاملاً غیرخطی است که می تواند تقابل و ارتباط پیچیدهای بین پارامترهای ورودی و خروجی بدون داشتن دانش قبلی درباره طبیعت آنها ایجاد کند.این تحقیق به بررسی توانایی شبکه عصبی مصنوعی - ANN - و تعیین بهترین مدل برای پیش بینی بار رسوبات معلق روزانه ورودی به مخزن سد کوثر خلخال در رودخانه هیروچای ، واقع در شمال غرب ایران می باشد. 147 داده روزانه برای پیش بینی بار معلق روزانه - SSL - استفاده شده است.الگوی باررسوب معلق واردبر مخزن با شبکهی عصبی Backpropegation، و ساختار 3-1-1 برای مرحله آموزش و 3-8-1برای مرحله آزمون و با استفاده ازالگوریتم Feed-Forward Backpropagation، و تابع آموزشی LM یا همان Levenberg Marquardt، و تابع فعالیت زیگموئید برای لایه میانی و خطی برای لایه خروجی، حاصل شده استدر نهایت با مقایسه دو ساختار موجود، ساختار 3-1-1 شبکه عصبی، برای ارائه بهترین مدل باررسوب معلق ورودی به مخزن سد انتخاب شده و بر پایه چندین شاخص عملکرد معلوم گردیده است که شبکهی عصبی مصنوعی با ساختار مذکور، باررسوب معلق ورودی به مخزن سد را با دقت بالاتری در مقایسه با تحلیل معمول رگرسیونی تخمین زده است.
-1مقدمه
توسعه اقتصادی و تمدن یک جامعه با توانایی بیشینه کردن بهرهها و کمینه کردن خسارات ناشی از رودخانهها رابطه نزدیک دارد. یک رودخانه به دفعات مقطع عرضی، پروفیل طولی، دوره جریان،الگوی خود را بوسیله فرآیندهای انتقال آبشستگی و تهنشینی رسوب، تغییر میدهد. به منظور پایدار نمودن توسعه فرهنگی و اقتصادی در مسیر یک رودخانه، ضروری است که مسئله انتقال رسوب مورد بررسی قرار گیرد. حرکت رسوب در رودخانه ها به لحاظ اهمیت ان در درک هیدرولیک رودخانه ، مورفولوژی رودخانه مهندسی رودخانه و موضوعات وابسته سالهاست که توسط مهندسین هیدرولیک و زمین شناسی مورد مطالعه قرار گرفته است [1] .بهعلت ورود رسوب و تجمع آن در داخل سد، ظرفیت ذخیرهای آن کاهش مییابدکه این امر به نوبهی خود باعث کاهش توان ذخیرهی آب و از دست رفتن ظرفیت تعدیل طغیان خواهد شد. اگر رسوب در کناره بدنهی سد جمع شود، امکان مدفون کردن خروجیهای عمقی و ایجاد اشکال برای دریچههای آبگیر را سبب میشود. بهعلاوه رسوبی که به خروجیهای مربوط به آبگیر میرسد، میتواند توربینها و دریچههای تحتانی را دچار فرسایش و خوردگی کند. همچنین بار وارد بر بدنهی سد نیز افزایش خواهد یافت.[2]اهمیت افزایش عمر مفید سدها و حفظ حجم ذخیره آنها جهت کنترل و بهرهبرداری بهینه از منابع آب محدود، ازجمله موضوعات بسیار مهمی در مهندسی سدها محسوب میشود. همچنین ضروریت پایای مخازن ایجاب میکند که مدیریت یکپارچه رسوب با درنظر گرفتن کلیه جوانب امر و استراتژیهای متناسب با شرایط حاکم بر منطقه مورد مطالعه اعمال گردد.
بدین منظور جهت حفظ ذخیره مفید مخزن لازم است که از یکسو روشهای آبخیزداری در حوضهی آبریز با هدف کاهش فرسایش و ازسوی دیگر اعمال عملیات رسوبشویی مخزن جهت تخلیه رسوبات نهشته در مخزن به پایین دست بهمنظور بازیافت حجم مخزن در برنامه مدیریت مخازن به مورد اجرا گذاشته شود. ازطرفی عدم بهموقع اقدامات مؤثر آبخیزداری در حوضههای آبریز، فرسایش خاک در حوضههای آبریز را تشدید میکند که همین امر موجب تشدید معضل رسوبگذاری در مخازن میگردد و درنتیجه از عمر مفید مخازن کاسته شده و بهرهبرداری از آنها را با مشکل عدیدهای مواجه میسازد. این مطالعات میتواند در بهبود کارکرد سد مفید واقع گردد.[3] .تاکنون مدل های فیزیکی وتجربی بسیاری جهت برآورد رسوب معلق رودخانه ها معرفی شده اند که هر کدام معایب خاص خودشان را دارنداما شبکه عصبی مصنوعی به دلیل سیستم پردازش توزیعی وموازی اطلاعات،توانایی شبیه سازی یک سیستم غیرخطی رابدون درنظر گرفتن فرض اولیه برای فرایندهای دخیل در آن و همچنین ارائه راه حل مطلوبحتی درشرایط کمبود داده های ورودی را دارد.بنابراین ANN می تواند جهت برآورد رسوب معلق، جایگزین خوبی برای مدل های معمولی تجربی وفیزیکی باشد - zhu، . - 2007 دراین مقاله پس ازشرح مختصری از مدل شبکه ی عصبی مصنوعی ورگرسیون خطی چند متغیره ، کارایی آنها در برآورد باررسوب معلق رودخانه هیروچای، حوزه ورودی سد کوثرخلخال بررسی گردید.
-2 پیشینه تحقیق
- محمدمهدوی و همکاران - 1391 - ، در این تحقیق با استفاده از روش شبکه عصبی مصنوعی به تخمین بار معلق رسوبی حوزه آبخیز تیره استان لرستان پرداخته شد و نتایج آن با روش رگرسیون خطی چند متغیره مقایسه گردید. مقایسه نتایج نشان داد که نتایج بدست آمده از روش شبکه عصبی مصنوعی خطای کمتر و صحت بالاتری نسبت به روش رگرسیون خطی چند متغیره دارد .[4]
- کوروش قادری و همکاران - 1394 - ، در این مقاله کارایی و عملکرد روش های هوشمند شبکه عصبی مصنوعی - ANN - و سیستم استنتاج نروفازی - ANFIS - به صورت روشی مؤثر جهت تخمین مقدار رسوب معلق رودخانه هلیل رود به کار گرفته شده است. نهایت نتایج بدست آمده نشان می دهد که در روش ANN ، که شبکه عصبی با تعداد 2 لایه پنهان و 20 گره با RMSE - 0/0071 - و MAE - 0/0049 - و NMSE - 0/0043 - و R2 - 0/9971 - بهترین عملکرد در تخمین مقدار رسوب در رودخانه هلیل رود را داشته است .[5]
- ابراهیم امیری و همکاران - 1395 - ، در این تحقیق با مقایسه کردن روش منحنی سنجی رسوب با مدل شبکه عصبی مصنوعی که از بار معلق رسوب ،به همراه دبی جریان همان روز،دبی جریان روز قبل و دو روز قبل مورد بررسی قرار گرفت،استفاده شده است. نتایج قابل قبولی حاصل شد که نشان دهنده آن است روش شبکه عصبی مصنوعی که دارای دو معیار میانگینی مربعات خطات RMSE=0/005 و همچنین ضریب همبستگی R2=0/90 که نسبت به روش منحنی سنجه با دقت بالاتری برخورد است .[6] , E. Kakaei Lafdani, A. Moghaddam Nia, A. Ahmadi - 2013 - این تحقیق به بررسی توانایی های ماشین بردار پشتیبان - 1SVM - و مدل های شبکه عصبی مصنوعی - ANN - برای پیش بینی بار رسوبات معلق روزانه - SSL - در رودخانه دییوراج2 ، واقع در غرب ایران است. به منظور پیش بینی بار رسوب معلق - - SSL، چهار هسته مدل رگرسیون بردار پشتیبان - - NU-SVR از جمله - خطی، چند جمله ای، سیگموئید ومدل تابع پایه شعاعی - - RBF - ومدل های ANN - بر اساس الگوریتم BFGS و الگوریتم مزدوج - استفاده گردید. نتایج به دست آمده نشان می دهد که مدل های ANN و NU-SVR با استفاده از آزمون گاما برای انتخاب ورودی دارای عملکرد بهتر ازعملکرد مدل های رگرسیونی هستند .[7] , Dheeraj Kumar, Ashish Pandey, Nayan Sharma, Wolfgang-Albert Flügel ., - 2016 - در مطالعه حاضر، برای پیش بینی رسوب معلق در حوضه رودخانه کوپلی 3در هند، شش تکنیک مختلف محاسبات نرم ، مدل های تحت عنوان شبکه های عصبی مصنوعی - ANN - ، شبکه های عصبی تابع پایه شعاعی - 4RBFNN - ، حداقل مربعات رگرسیون بردار پشتیبان - 5LS-SVR - ، رگرسیون خطی چندمتغیره - MLR - و مدل های درخت تصمیم گیری مانند درخت رگرسیونی و طبقهبندی - - CART6 ومدل درختی M5 استفاده شد. مقایسه نتایج نشان داد که مدل ANN - - ENS=89.⁄. - و مدل - - ENS=88.78.⁄. - LSSVR قادر به تولید نتایج بهتر از مدل های دیگر مورد ارزیابی قرار گرفتند .[8]
