بخشی از مقاله
چکیده
رسوب - بارمعلق و کف - موادجامدی است که از طریق رودخانه انتقال می یابد. برآورد رسوب رودخانه ها یکی از مهمترین موارد در مهندسی رودخانه است. این تحقیق به بررسی عملکرد مدلهای شبکه عصبی مصنوعی و مدل رگرسیون تکهای در تخمین رسوب رودخانه می پردازد. داده های رسوب دو ایستگاه رودخانه حصار - 63 و123نمونه - مطالعه موردی این پژوهش است. عملکرد مدلهای شبکه عصبی مصنوعی - شبکه پرسپترون چند لایه و تابع پایه شعاعی - و نتایج رگرسیون تکه ای مقایسه شد. ضریب کارایی - CNS - در روش پرسپترون چندلایه0/9908 و در روش تابع پایه شعاعی 0/9893 ودر روش رگرسیون تکه ای 0/8347 محاسبه شد. نتایج حاصل از عملکرد این مدلها بهمنظور تخمین رسوب، معیارهای تعریف شده برای سنجش خطا در مراحل آموزش و ارزیابی با مقادیر مشاهداتی مقایسه شد، و پس از مقایسه مدلهای مختلف، بهترین مدل انتخاب گردید.
-1مقدمه
تعیین مقدار رسوب حملشده توسط رودخانهها از جنبههای مختلف دارای اهمیت است. در طرحهای مهندسی با هدف بهرهبرداری از منابع آب رودخانه نظیر تاسیسات تنظیم و انحراف جریان، سدهای مخزنی و ایستگاههای پمپاژ، بار رسوبی رودخانه از جمله عوامل مهم و تاثیرگذار در تعیین مشخصههای هندسی سازه و عمر مفید آنها است.. در ساماندهی رودخانهها که به منظور مهار فرسایش و رسوب-گذاری و یا تثبیت بستر و دفع سیلاب انجام میگیرد آگاهی از میزان رسوب حملشده توسط رودخانه و تاثیرپذیری آن از اقدامات حفاظتی، ضروری است. رودخانهها منبع مناسبی برای تامین مصالح مورد نیاز طرحهای عمرانی است و برداشت شن و ماسه از دیرباز در این عرصه متداول بوده است .
[1]رسوب حملشده توسط جریان آب عامل مهمی در شکلگیری ساختار هندسی و خصوصیات ریختشناسی رودخانهها تلقی میشود. هرگونه کاهش و یا افزایش بار رسوبی رودخانه پیامدهای مختلفی از جمله وقوع پدیده کف-کنی و یا ترازافزایی، تغییر دانهبندی مصالح و شکل مسطحه و نیمرخ طولی آنرا درپی دارد.[2 ] محققان زیادی تغییرات غلظت رسوبات معلق را نسبت به تغییرات سیلاب با روشهای مختلفی تحلیل نمودند8, 7, 6] وZhou . [9 و همکاران - - 2007 از ANN برای مدلسازی برآورد مقدار رسوب معلق در رودخانهای در چین استفاده کردند.
این پژوهش نشان داد که شبکههای طراحی شده اقلیمی نتایج بهتری نسبت به شبکههای طراحی شده با آمار جریان روزانه ارائه میکنندAlp.[3] و - Cigizoglu - 2007 در پژوهشی از دو الگوریتم ANN شامل توابع پایه شعاعی و الگوریتم پیشخور پس انتشار برای مدلسازی بار معلق رسوب در حوزه آبخیز Juniata آمریکا استفاده کردند.
بارندگی و دادههای بار رسوب برای این مدلسازی معلق استفاده شدKisi .[4 ] و همکاران - - 2009 دقت روش محاسباتی عصبی- فازی تطبیقی را در تخمین رسوبات بار معلق ماهانه بررسی کردند، نتایج نشان داد که روش محاسباتی عصبی- فازی تطبیقی با دقت بیشتری رسوبات را تخمین میزند. [5 ] نوآوری و هدف مقاله حاضر برازش مدلهای شبکه عصبی و روش رگرسیون تکه ای بر داده های مشاهداتی و در دسترس دبی و بار معلق مربوط به رودخانه حصار است.جداول ونمودارهای به دست آمده از تحلیل داده هاو جدول تحلیل واریانس و آسیب شناسی ضریب تعیین الگوهها نشان از نکویی برازش روشها دارد و بهترین نتایج مربوط به روش شبکه پرسپترون چند لایه دارد.
-2مواد و روشها
1-2منطقه مورد مطالعه و داده ها
منطقه مورد بحث جزئی از حوضه آبریز کشف بوده و در دامنه شمالی ارتفاعات بینالود استان خراسان رضوی قرار گرفته است.در این مقاله داده های مربوط به ایستگاه مایان یک بار با63 داده و مجدد با حذف داده پرت و با 62 داده و ایستگاه دهباربا 123 داده تحلیل انجام شد.
-2-2معیارهای سنجش خطا و نکوئی برازش
برای مقایسه عملکرد مدل با مقادیر مشاهداتی، از معیارهای ارزیابی میزان دقت شامل چهار معیار زیربرای ارزیابی و مقایسه مدلها استفاده شد. در هر چهار معیار Oi مقدار مشاهداتی، Si مقدار محاسباتی، Oi میانگین مقادیر مشاهداتی، S i میانگین مقادیر محاسباتی و n نیز تعداد مقادیر مشاهداتی یا محاسباتی میباشد.
-3-2مدلهای استفاده شده اولین مدلی که برای تخمین رسوب رودخانه انتخاب شد،
یک مدل سه لایه پیشخور بود که از روش پسانتشار خطا برای آموزش آن استفاده شد. هدف در روش پسانتشار خطا مینیمم کردن تابع خطا از طریق اصلاح وزنهای اتصال و همچنین مقادیر بایاسها میباشد.پارامتر ورودی مدل دبی جریان و خروجی این مدل نیز دبی رسوب است. تعداد نرون-های میانی با آزمایش حالات مختلف و بررسی خطای شبکه در هر حالت تعیین گردید. برای لایه میانی این شبکه، دو نوع تابع محرک سیگموئیدی و تانژانت هیپربولیک مورد بررسی قرار گرفت. . در نهایت شبکه توسط دادههای آموزشی، آموزش داده شد، سپس دادههای مرحله ارزیابی به شبکه اعمال گردید و نتایج بدست آمده با مقادیر واقعی مقایسه شد.تعداد نرونهای میانی از قبل مشخص نبوده بلکه بایستی با سعی و خطا و با توجه به برآورد خطای شبکه در حالات مختلف به تعداد بهینه آن دست یافت.
