بخشی از مقاله
چکیده
انتقال طولی آلایندهها یکی از مراحل مهم در فرآیند رقیقسازی آلایندهها میباشد که شناخت آن از اهمیت ویژهای برخوردار است. دشواری اندازهگیری ضریب انتشار طولی در رودخانهها نیاز به استفاده از روشهای مناسب مدلسازی در پیشبینی این ضریب را بیشتر میکند، هدف از این پژوهش نیز برآورد ضریب پخشیدگی طولی در آبراهههای طبیعی با استفاده از بهینه یابی شبکه عصبی مصنوعی میباشد.
در این پژوهش با آنالیز ابعادی متغیرهای ورودی و خروجی مؤثر در پخشیدگی طولی رودخانه تعین گردید و در شبکه عصبی وارد گردید. متغیرهای عرض جریان رودخانه - - w ، عمق جریان - - h ، سرعت متوسط جریان - u - و سرعت برشی جریان رودخانه - - u* ، به عنوان متغیرهای ورودی و از متغیر ضریب پخشیدگی طولی - k - به عنوان ضریب پخشیدگی طولی به عنوان متغیر خروجی در شبکه عصبی استفاده گردید.
مطابق نتایج بدست آمده در حالت بعد دار بهترین شبکه عصبی با ضریب همبستگی 0,919 با خطای RMSE برابر با 106,36 با 4 نرون در یک لایه مخفی با تابع آموزشی لورنبرگ بدست آمد؛ که پس از بهینه یابی میزان R2 برابر با 0,95 و خطای RMSE برابر با 57/59گردید. در حالت بدون بعد نیز از متغیرهای - u/u* - و - w/h - جهت تعین متغیر بی بعد ضریب K استفاده شد. بهترین شبکه جهت مدلسازی در این حالت با شبکه عصبی با مقدار خطای RMSE برابر با 0/519 و مقدار ضریب همبستگی 0/989 بدست آمد. آنالیز حساسیت نیز ، جهت تعین میزان اثر هر کدام از متغیرهای ورودی بر ضریب اختلاط طولی انجام پذیرفت. تحلیل نتایج بدست آمده نشان داد که استفاده از شبکههای عصبی مصنوعی کارائی بالایی در مدلسازی و شبیهسازی ضریب اختلاط طولی رودخانه دارد.
مقدمه
تزریق آلایندههای مختلف به رودخانه، انتقال آنها به پایین دست توسط فرآیند اختلاط با جریان و پراکنشهای طولی، عرضی و عمقی تحت تأثیر فرایندهای انتقال و اختلاط انتشار مییابد - Tayfur and Singh.,2005 - . توانایی در تخمین و شبیهسازی جریان، انتقال آلودگی و رسوب در رودخانهها برای برنامهریزی منابع آب اهمیت دارد؛ زیرا موجب کاهش خطر خسارت به محیطزیست میشود. در حال حاضر استفاده از فرایند پخشیدگی و تقویت خود پالایی رودخانهها از مهمترین روشهای مدیریت زیست محیطی رودخانهها به شمار میرود - - Purabadehie et al,2003 ، برای کنترل آلودگی رودخانهها، رهاسازی آلاینده باید به صورت منطقی و تنظیم شده انجام شود.
این موضوع به اطلاع دقیق از توانایی حمل و پخش و پاکسازی آلودگی، توسط جریان آب در طول مشخصی از مسیر خود، نیاز دارد؛ که آن را طول اختلاط کامل مینامند. با تزریق آلایندههای مختلف به درون رودخانه، انتقال آنها به پاییندست به کمک فرایند اختلاط با جریان و پخشیدگی طولی و عرضی و عمقی، تحت تأثیر فرایندهای انتقال و اختلاط، انجام میگیرد. قابلیت و قدرت جریان رودخانه و دیگر جریانهای سطحی در هر سه جهت طولی و عرضی و عمقی با ضرایب پراکندگیKx ، Kyو Kz بیان میشود .
- Tayfur and Singh,2005 - ، در نقاط دورتر از محل تزریق آلاینده که اختلاط در کل مقطع عرضی کامل میشود، فقط پراکندگی طولی قابل توجه است. شدت پراکندگی طولی نیز با ضریب پراکندگی طولی تعیین میشود و سرنوشت انتقال آلاینده تابع پراکندگی طولی است. در نتیجه در مدلسازی و تعیین دقیق وضعیت آلودگی رودخانهها محاسبه دقیق ضریب پراکندگی طولی آلودگی بسیار مهم است - Riahi - Madvar and Ayyoubzadeh, 2007 - و تخمین ضریب پخشیدگی طولی در رودخانه در مسائل مهندسی رودخانه، محیطزیست، ارزیابی خطر تزریق آلاینده های خطرناک به درون رودخانه، طراحی آبگیر و ... اهمیتی ویژه دارد - Deng et al, 2001 - .در صورتی که دادههای واقعی در دسترس باشد، این ضریب به سادگی قابل تعیین است. ولی در رودخانههایی که ویژگی های پراکندگی آلودگی نامشخص باشد روابط تجربی کاربرد دارد - Kashefipour and Falconer,2003 - . .برای تخمین ضریب پخش آلودگی فرمولهای تجربی فراوانی ارائه شده است.
این فرمولها و مدلها به دلیل این که پدیدآورندگان آنها به خاطر ساده سازی هایی که در مرحله مدلسازی صورت میگیرد و از بعضی از عواملی که به طور مستقیم و یا غیرمستقیم در پدیده تأثیر دارند صرف نظر مینمایند؛ بنابراین نتایج آنها همواره قطعیت ندارد. به همین خاطر محققین به استفاده از روشهای هوش مصنوعی روی آوردهاند. استفاده از روش شبکه عصبی و با متغیر در نظر گرفتن تعداد نرونهای لایه میانی و تابع انتقال، مدل مناسب میشود. علاوه بر آن در این مطالعه با استفاده از تحلیل حساسیت صورت گرفته میزان تأثیرپذیری مدل از پارامترهای ورودی مورد ارزیابی قرار میگیرد. تحقیقات مختلفی در مورد کاربرد شبکه عصبی در تخمین ضریب پخش رودخانه صورت پذیرفته که به چند مورد اشاره می شود .
سعات پور و همکاران - 1394 - ، در تحقیقی به تخمین ضریب اختلاط عرضی آلایندهها درجریان کانالهای روباز با استفاده از شبکه عصبی مصنوعی پرداخت. فرآیند توسعه و ارزیابی مدل با استفاده از مجموعه دادههای واقعی و معیارهای آماری و گرافیکی مختلف صورت گرفت. مدل شبکه عصبی مصنوعی، نتایج قابل قبولی در پیشبینی ضریب اختلاط عرضی نسبت به مدل خطی، ارائه کرد. پارسائی و حقی آبی - 1394 - ، در تحقیقی به محاسبه ضریب پخش طولی و مدلسازی انتشار آلودگی در رودخانهها پرداختند. نتایج ارزیابی فرمولهای تجربی نشان داد که این فرمول ها به خاطر اینکه پدیدآورندگان آنها به خاطر سادهسازی که در مرحله مدلسازی صورت میگیرد دارای دقت مناسب نیستند. به جهت صحت سنجی عملکرد مدل عددی توسعه داده شده، انتشار آلودگی در دو رودخانه در انگلستان مدلسازی شد.
نتایج نشان میدهد که مدل توسعه داده برای شبیهسازی انتشار آلودگی در رودخانه سورن دارای دقتی مناسب میباشد. ریاحی مادوار و همکاران 2009 - - ، استفاده از شبکه عصبی-فازی به تخمین ضریب پخشیدگی طولی پرداختند نتایج آنها نشان داد شبکه عصبی-فازی از دقت مناسبی در پیشبینی این ضریب برخوردار است. توپراک و همکاران - 2014 - سه مدل را بر اساس روشهای مختلف شبکه عصبی مصنوعی و فازی توسعه دادند تا ضریب بدون بعد پخش طولی در کانالها را پیشبینی کنند.
هدف دیگر مطالعه آنها، ارزیابی مطالعات موجود بر پخش طولی بدون بعد و بعد دار بود. دادههای آنها از مطالعات گذشته برداشت شده از 30 رودخانه در زمانهای مختلف در ایالات متحد تهیه شده است. نتایج آنها با روابط ارائه شده در پیشینه پژوهش مقایسه گردید و نشان دادند که روش شبکه عصبی مصنوعی پیشرونده به جلو بهترین نتایج قابل اعتماد را ارائه میدهد. هدف اصلی این تحقیق نیز تعیین ضریب پخشیدگی طولی آبراههها در رودخانههای طبیعی با استفاده از روش شبکه عصبی mlp و ارزیابی دقت میباشد.
-2 مواد و روش ها
-1-2 مراحل پخش آلودگی در رودخانه
فیشر و همکاران - 1979 - برای نخستین بار بحث تأثیر پدیده انتشار بر پخش و کاهش غلظت پسابها در رودخانه را مطرح نمودند. آنها پدیده انتشار را مطابق شکل - 1 - در سه مرحله در نظر گرفتند. در مرحله اول - حد فاصل نقاط A و - B مواد آلاینده از منبع آلاینده خارج شده و وارد جریان رودخانه میشود. در این مرحله اندازه حرکت اولیه و شناوری جریان دو عاملی هستند که باعث رقیق سازی پساب میگردند .
مرحله دوم - حد فاصل نقاط B و - C درحالیکه پسابها در حال گسترش در عرض و رقیق شدن هستند اندازه حرکت اولیه و شناوری جریان به تدریج محو شده و در این مرحله آشفتگی و جریانهای ثانویه ناشی از آن عامل فرآیند پخش و انتشار می گردند. مرحله سوم - نقطه C به بعد - هنگامی که پسابهای ورودی در عرض کانال به طور کامل انتشار پیدا کرده، برشهای طولی جریان شروع به فعالیت مینماید. در پایان این مرحله غلظت در تمام سطح مقطع به یک مقدار ثابت رسیده و انتشار به طور کامل صورت میگیرد. طبق تحقیقات تیلور سرنوشت تزریق آلاینده، تابعی از Kx است که فیشر و همکاران در سال 1979 عبارت انتگرال سه گانه زیر را برای تخمین آن بصورت رابطه زیر ارائه نمودند:
رابطه - 1 - که در آن Kx، ضریب پراکندگی طولی، A سطح مقطع جریان، B عرض بالای سطح آب،h عمق موضعی، جریان در هر نقطه عرضی، u میزان انحراف سرعت متوسط عمقی از سرعت متوسط مقطع، y مختصه عرضی که از ساحل سمت چپ اندازهگیری میشود و t ضریب پخش عرضی است. مقایسه اندازهگیریهای واقعی با نتایج نظری نشان میدهد که در جریان یکنواخت متوسط خطای آن 30 درصد و در جریان غیریکنواخت تا 4 برابر مقادیر واقعی نیز میرسد.
- تیلور، - 1954، ایزدی نیا و عابدی - 1390 - با استفاده از تحلیل ابعادی و روش رگرسیون گیری نشان دادند تأثیر ضریب زبری بر ضریب پخش طولی بیشتر از سایر پارامترها میباشد. بیشتر مطالعات صورت گرفته و معادلات تجربی ارائه شده تاکنون بر اساس فرضیات ساده کننده و برای شرایط خاص آزمایشگاهی یا اندازهگیری میباشد؛ بنابراین ارائه یک مدل جامع دربرگیرنده پارامترهای تأثیرگذار بر ضریب پخش طولی امری ضروری است.
یکی از روشهای مدلسازی پیشرفته استفاده از شبکه عصبی مصنوعی است که امکان شبیهسازی سیستمهای غیرخطی را دارا است. با توجه به اینکه دقت شبکه عصبی مصنوعی به ورودی های مدل وابسته است .برای انتخاب ورودیهای مدل باید دقت لازم صورت گیرد .بهرهگیری از روش تحلیل ابعادی و ارائه متغیرهای بدون بعد این امکان را فراهم میسازد که با دقت بیشتری عوامل مؤثر بر رفتار و روابط حاکم بر ضریب پخش طولی بررسی گردد .
در مطالعه حاضر، تحلیل ابعادی با استفاده از قضیه باکینگهام صورت گرفت .پارامترهای مؤثر بر ضریب پخش طولی - Kx - ، شامل سرعت متوسط جریان - u - ، عمق جریان - h - ، عرض آبراهه - w - ، تنش برشی کف یا سرعت برش - u - * چگالی سیال - ρ - و لزجت دینامیکی جریان - μ - هست. ازآنجاکه جریان در رودخانهها آشفته هست. - Re* ≥70 - ، میتوان از تأثیر گرانروی سیال صرفنظر نمود. رابطه حاصل از تحلیل ابعادی را میتوان به صورت زیر خلاصه کرد.
