بخشی از مقاله
چکیده
آگاهی از میزان رسوب معلق رودخانهها یکی از مسائل اساسی در پروژههای آبی است که طراحان تأسیسات آبی همواره با آن روبرو بودهاند. عدم آگاهی از میزان انتقال بار معلق و بهویژه خطا در برآورد آن میتواند سبب طراحی نادرست و در نتیجه تخریب سازههای آبی گردد. بهطور کلی احداث سازههای هیدرولیکی ازجمله سدها، پلها، نیروگاهها و سایر شبکههای آبرسانی بدون بررسی و برآورد بار معلق، ممکن نخواهدبود.
تاکنون مدلسازیهای مختلفی در این زمینه برآورد بار رسوبی معلق گرفتهاست. در این مطالعه بهمنظور پیشبینی بار رسوبی معلق الگوریتم شبکهعصبی مصنوعی بهکارگرفته شد و بهمنظور اجرای مدلها از ورودیهایی دبی روزهای قبل از داده رسوب برداشت ایستگاه هیدرومتری واقع در ایالت اوهایو استفاد شد. در واقع در این مطالعه بار رسوبی معلق تابعی از جریانات روزهای قبل در نظر گرفته شده است. نتایج نشان داد که دبیهای روزهای قبل از داده برداشت شده تاثیر مناسبی بر روی پیشبینیها داشته و باعث افزایش دقت مدلها میگردد به طوریکه ورودی مدل Q-1 +Q با RMSE=8/34 دارای بیشترین دقت در پیشبینی باررسوبی معلق میباشد.
مقدمه
مسائلی همچون طراحی مخازن سدها، بهرهبرداری از منابع آبی، طراحی کانال و لایروبی آنان نیاز به آگاهی از بار رسوبی معلق خواهد داشت. امروزه گسترش فرسایش در سطح حوزههای آبخیز و ورود رسوبات به جریان رودخانهها و ته نشست مواد رسوبی در رودخانهها باعث کاهش حجم مخازن آبی گشته است. لذا برآورد بار رسوبی میتواند کمک شایانی در زمینه مدیریت منابع آبی داشته باشد.
روشها و تکنیکهای مختلفی در زمینه برآور بار رسوبی معلق امروزه گسترش یافته است. روشها و معادلات که در زمینه برآورد بار رسوبی معلق وجود دارد نیاز به حجم اطلاعات وسیعی در زمینه جریان رودخانه و بستر آن خواهد داشت و این امر بسیار زمانبر و پر هزینه خواهد بود. از طرفی اندازهگیری بار رسوبی معلق به طور مستقیم از مطمئنترین روشهای آگاهی از بار رسوبی معلق میباشد. اما این روشنیز مستلزم صرف وقت و هزینه زیادی میباشد که این امر برای تمامی رودخانهها میسر نمیباشد. لذا بهکارگیری روشهایی که بتوان بهطور غیر مستقیم مقادیر رسوب را برآورد نماید کمک شایانی در زمینه پیشبینی بار رسوبی معلق خواهد نمود.
شبکههای عصبی مصنوعی - - ANN زیر مجموعهای از تکنیکهای هوش مصنوعی هستند که امروزه در طیف وسیعی برای بکارگیری در حل بسیاری از مسائل، شامل حافظههای ارتباط دهنده، بهینهسازی، پییشبینی، تشخیص و کنترل رایج شدهاند.
با توجه به توانمندی شبکههای عصبی مصنوعی در شناسایی ارتباط بین متغیرهای ورودی و خروجی یک مساله، بدون در نظر گرفتن فیزیک آن مساله و نیز بهدلیل ضعف مدلهای فیزیکی و ریاضی در مدل کردن فرآیندهای رسوبی، این شبکهها میتوانند در مدلکردن مساله انتقال رسوب بکار روند
تکنیکهای هوشمصنوعی امروزه در طیف وسیعی از مطالعات بهمنظور پیشبینی پارمترهای اقلیمی مورد استفاده قرار گرفته است . - Lafdani et al., 2013; Kisi, 2012 - این تکنیکها در زمینهبرآورد بار رسوبی معلق نیز کمک شایانی مینماید. به طور مثال منتظر و همکاران - - 1381 برای تخممین میزان رسوب رودخانه بازفت در محل ایستگاه هیدرومتری مرغک از دو شبکه پرسپترون و شبکه پاد انتشار استفاده کردند و در نهایت نتایج حاصل از شبکهها را با روش منحنی سنجه رسوب مقایسه کردند. نتایج حاصل از مطالعه آنان برتری شبکهها را در برآورد بار رسوبی معلق نشان میدهد. رجایی و همکاران - - 2009طی تحقیقی از شبکهی عصبی مصنوعی، عصبی -فازی، رگرسیون غیر خطی و منحنی سنجهی رسوب برای برآورد رسوب معلق در دو رودخانه از رودهای آمریکااستفاده نمودند که در میان مدلهای استفاده شده شبکه عصبی مصنوعی نتایج بهتری را نسبت به سایر روشها از خود ارائه نمودند.
امیر احمد دهقانی و همکاران - - 1389 به تخیمن رسوب معلق رودخانه بهشت آباد از سرشاخههای رودخانه کارون با استفاده از شبکه عصبی مصنوعی پرداخت که در در این پژوهش از سه ترکیب مختلف ورودی برای تخمین دبی بار معلق رسوب استفاده گردید. در حالت اول همانند روش منحنی سنجه رسوب، دبی بار معلق رسوب تنها تابعی از دبی جریان همان روز در نظر گرفته شد. در حالت دوم دبی بار معلق رسوب علاوه بر دبی جریان همان روز، تابعی از دبی جریان روز قبل نیز در نظر گرفته شد. در نهایت در حالت سوم دبی بار معلق رسوب علاوه بر دبی جریان همان روز، تابعی از دبی جریان روز قبل و دو روز قبل نیز در نظر گرفتهشد و تخمین آنها با نتایج منحنی سنجه مقایسه گردید.
نتایج نشان داد که روش شبکه عصبی مصنوعی با ضریب تبیین 0/98، مربع خطای متوسط 0/001 از دقت بالاتری نسب به روش منحنی سنجه رسوب با ضریب تبیین 0/778، مربع خطای متوسط 0/043 برای تخمین بار معلق رسوب برخوردار است. امین فلامکی و همکاران - 1392 - به مدلسازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی پرداختند که هدف از این پژوهش ارائه روشی بر پایه شبکههای عصبی - ANN - در تخمین بار رسوب کل بوده است.
بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه - MLP - و توابع پایه شعاعی - RBF - و 200 نمونه، استفاده شد که 75 درصد از دادهها برای آموزش و 25 درصد برای آزمون شبکهها در نظر گرفته شدند. متغیرهای ورودی مدلها شامل سرعت متوسط جریان، شیب کف آبراهه، عمق متوسط، عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل، غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکهها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسبترین مدل تعیین شود. سپس نتایج حاصل از مدلهای ANN با پنج معادله معروف انتقال رسوب مقایسه شدند.
شاخصهای آماری نشان داد که دقت شبکههای عصبی بهویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی 0/96 بیش از سایر مدلها بودهاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع دادههای هیدرولوژیک و رسوب است.
در این مطالعه نیز با توجه به توانمندی شبکه عصبی مصنوعی در پیشبینی بار رسوبی معلق و توانایی آن در برقراری ارتباط بین متغیرها از این مدل جهت پیشبینی بار رسوبی معبق استفاده شد. همچنین بهمنطور اجرای سری زمانی از دادهها دبی مورد استفاده قرار گرفت.
مواد و روشها منطقه مورد مطالعه
در این مطالعه دادههای دبی و رسوب روزانه ایستگاه هیدرومتری بر روی یکی از سرشاخههای رودخانه اوهایو واقع در ایالت اوهایو بهکار گرفته شد. مساحت حوزه 35/8 مایل مربع بوده و دوره آماری میزان رسوب ثبت شده از سال 1992 تا سال 2013 میلادی میباشد. تعداد نمونههای ثبت شده در این دوره برابر7873 نمونه است. متوسط دبی عبوری از این رودخانه 38/5فوت مکعب بر ثانیه و متوسط رسوب حمل شده توسط رودخانه23/9میلی گرم بر لیتر میباشد.حوزه و ایستگاه مطالعاتی در شکل - 1 - نشان داده شدهاست.
شکل-1 حوزه و ایستگاه مورد مطالعه واقع در ایالت اوهایو
