بخشی از مقاله
چکیده:
به منظور اجرای برنامه های حفاظت خاک و کاهش رسوب زایی، همچنین محاسبه و طراحی دقیق حجم سد در احداث سدهای مخزنی، ضرورت دارد که میزان تولید رسوب در یک حوزه آبخیز، ارزیابی و برآورد گردد.بطورکلی پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل تاثیرات پارامترهای مختلف، به آسانی میسر نیست.
هدف از این مطالعه به دست آوردن الگوریتم مناسب با استفاده از شبکه عصبی پیش خور پس انتشار خطا - - - feed-forward backpropagation - newff و - fitting - newfit - - به منظور برآورد میزان رسوب در حوزه مورد مطالعه پرداخته شد.
به این منظور برای برآورد رسوب، از داده های دبی، بارش و رسوب رودخانه کاکارضای استان لرستان به صورت ماهانه استفاده شد. با آنالیز حساسیت،تأثیرگذارترین پارامترها - دبی- بارش - به عنوان ورودی مدل و میزان رسوب، خروجی قرار گرفت.
نتایج در این تحقیق نشان داد که هر دو شبکه ذکر شده برای تخمین رسوب مناسب می باشد البته لازم به ذکر است همه الگوریتم ها با رگرسیون - - R و میانگین مربعات خطا - - MSE مناسب نمی باشد.
از بین چهارده الگوریتم مورد استفاده در این مطالعه, الگوریتم های مناسب برای تخمین رسوب با رگرسیون 0/99 و میانگین مربعات خطای پایین - - TRAINSCG,TRAINRP,TRAINLM,TRAINBRانتخاب شد و الگوریتم های دیگری مانند TRAINCGp,TRAINCGF,TRAINCGB, با رگرسیون پایین دارای خطای بالا بوده و نمی توان از این الگوریتم ها برای تخمین رسوب استفاده کرد و روی هم افتادگی خطوط ترسیم شده در نمودار بین داده های مشاهداتی - خروجی مدل - و اندازه گیری شده با رگرسیون 0/00، نشان از نامناسب بودن این الگوریتم ها به منظور برآورد رسوب است.
مقدمه:
انتقال رسوب و رسوب گذاری، پیامدهایی چون ایجاد جزایر رسوبی در مسیر رودخانه و در نتیجه کاهش ظرفیت انتقال جریان های سیلابی، کاهش عمر مفید سدها و ظرفیت ذخیره مخازن، خوردگی تاسیسات سازه های رودخانه ای و وارد شدن خسارات به ابنیه آبی و مزارع، رسوب گذاری در کف کانال و بسیاری مسایل و مشکلات دیگر را در بر دارد. در طرحهای مهندسی رودخانه، تخمین مقدار بار رسوبی رودخانه از اهمیت زیادی برخوردار است.
بواسطه اثر مطالعات انجام یافته در زمینه درک فرآیند انتقال رسوب در رودخانه های طبیعی، شاخه ای بنام هیدرولیک انتقال رسوبات بوجود آمده که به مسائل تخمین رسوب رودخانه ها می پردازداندازه گیری رسوب کار پرهزینه ای بوده و امکانات خاصی را طلب میکند .
روشهای تخمین میزان رسوب را می توان در دو گروه دسته بندی کرد.رویکرد روشهای سری اول، ایجاد مدل های ریاضی با توجه به مفاهیم فیزیکی انتقال ذرات و حل معادلات هیدرودینامیک رسوب به همراه حل میدان جریان است.
با توجه به اینکه این روشها به داده های متنوعی نیازمند بوده و از طرفی نتایج حاصل از آنها حتی در یک ایستگاه از یک رودخانه مشخص معمولاً یکسان و مشابه نبوده و انتخاب یکی از آنها مشکل می باشد، محققان در جستجوی راههای عملی برای پیش بینی رسوب برآمده اند و تلاش آنها باعث ایجاد روش دیگری موسوم به روش منحنی سنجه رسوب شده است.همچنین بسیاری از رواب و تکنیک های فعلی تخمین رسوب بر اساس رواب خطی بین متغییرها استوار است که به خوبی رفتار پیچیده و واقعی رسوب را پیش بینی نمی کنند
فرآیند بدست آوردن یک رابطه برای تخمین میزان رسوب، بطور اساسی یک مسأله نگاشت غیرخطی است و شبکه های عصبی مصنوعی بعنوان ابزاری توانمند در حل اینگونه مسائل بشمار می آیند.بنابراین استفاده از مدلهای غیرخطی مثل شبکه های عصبی مصنوعی - ANN - یک راه حل مناسب برای مدلسازی رفتار واقعی رسوب به نظر میرسد.این روش با الهام از مغز انسان و دستیابی به دانش نهفته در داده ها رواب موجود بین داده ها را بدست آورده و آنها را به مواردی که مدل با آنها مواجه نشده است تعمیم می دهند.
در این روشها مدل با استفاده از یک دسته سری های داده آموزش می بینند و با استفاده از اطلاعات حاصل از داده ها، وزنهای شبکه تعیین می گردند.پرازش توزیعی اطلاعات، قابلیت تعمیم یا درون یابی ، پردازش موازی و مقاوم بودن، از عمده ترین ویژگی های این روشها به شمار می رود.ویژگی اول و چهارم سبب می شود این روشها حساسیت کمتری نسبت به خطاهای ورودی از خودنشان دهند ویژگی دوم باعث افزایش سرعت پردازش می گردد
سمیرا طلوعی و همکاران - 1390 - تخمین زمانی و مکانی بار معلق رودخانه آجی چای با استفاده از زمین آمار و شبکه عصبی مصنوعی مقایسه گردید که نشان دهنده ضمن معتبر بودن هر دو مدل کریجینگ و کوکریجینگ در منطقه مورد مطالعه روش کوکریجینگ در مقایسه با روش کریجینگ در برآورد مکانی بار معلق ماهانه نتایج بهتری را ارائه میدهد.
عباسعلی ولی و همکاران - - 1390 با مقایسه کارآیی مدل های شبکه های عصبی مصنوعی و رگرسیون برای پیشبینی بار رسوب جریان - مطالعه موردی حوضه آبخیز سمندگان - به این نتایج دست یافتند که از مقایسه نتایج مدل های مختلف استنباط می شود، زمانی که پارامترهای ژئومورفولوژیکی نظیر شاخص ناهمواری، شاخص گردی و شاخص تراکم زهکشی در مدل سازی وارد شوند نتایج ارزیابی آ نها مناسبتر می شود.
امیر احمد دهقانی و همکاران - 1389 - با مطالعه تخمین رسوب معلق رودخانه بهشت آباد با استفاده از شبکه عصبی مصنوعی به این نتایج دست یافتند که روش شبکه عصبی مصنوعی با ضریب تبیین 0,98، مربع خطای متوس 0,001 از دقت بالاتری نسبت به روش منحنی سنجه با ضریب تبیین 0,778 و مربع خطای متوس 0,043 برای تخمین بار معلق رسوب رودخانه بهشت آباد از سرشاخه های رودخانه کارون برخوردار بود.
علی داننده مهر و همکاران - پاییز - 1389 با مطالعه پیش بینی بار معلق رودخانه ها بر مبنای دبی جریان با استفاده از برنامه ریزی ژنتیک،نتایج حاکی از دقت بالای برنامه ریزی ژنتیک در مقایسه با شبکه عصبی مصنوعی و کارایی آن در پی شبینی بار معلق رودخانه ها میباشد.
سلاجقه علی، فتح آبادی ابوالحسن - 1388 - با بررسی امکان برآورد بار معلق رودخانه کرج با بهره گیری از منطق فازی و شبکه عصبی به این نتایج رسیدند که منطق فازی عملکرد بهتری نسبت به دو روش شبکه عصبی مصنوعی و منحنی سنجه رسوب داشته و بهره گیری از آن برای برآورد بار معلق رودخانه پیشنهاد می شود.
سیمین شهراد فر و همکاران - 1387 - با بررسی کارائی شبکه های عصبی مصنوعی در پیش بینی عمق آبشستگی پایه های پل و مقایسه نتایج با مدل های ریاضی معتبر، نتایج تحقیق حاکی از آن است که ANN از سرعت عمل و دقت قابل قبولی برخوردار بوده و نتایج بهتری نسبت به سایر مدل ها ارائه می دهد.
آچیت و او ییلن - 2007 - در بررسی برآورد رسوب بیان می کنند که رواب رگرسیونی نشان داد، اولاً، مقادیر پیش بینی شده 20 - 25درصد بیشتر از مقادیر واقعی است. ثانیاً، طبق سری های زمانی موجود، برآورد دقیق تر نیاز به دوره های طولانی مدت دارد. همچنین بیشترین مقدار رسوب مربوط به پاییز و سپس بهار می باشد. ایشان پیشنهاد می کنند جهت بررسی دقیق تر، تغییرات آب و هوایی را نیز باید مورد توجه قرار داد.سارانگی و باتاچاریا - - 2005 در حوضه بانها در هندوستان با استفاده از مدل شبکه عصبی نتیجه گرفتند که این مدل نسبت به روش رگرسیون از دقت بالایی برخوردار است.
هدف از این مطالعه به دست آوردن الگوریتم مناسب در دو شبکه عصبی - fitting network - و پیش خور پس انتشار خطا - feed-forward backpropagation network - به منظور برآورد میزان رسوب در حوزه مورد مطالعه می باشد.
مواد و روش ها:
موقعیت منطقه مورد مطالعه:
رودخانه کاکا رضا یا رود ولم در شهرستان سلسله در استان لرستان با طول 44 14' 21" و عرض جغرافیایی''33 42' 38 قرار دارد.این رود که بزرگترین رودخانه منطقه الشتر می باشد از کوه های جنوب غربی الشتر سرچشمه گرفته و پس از عبور از جنوب الشتر و مجاورت بسطام از طرف مشرق به طرف نوب غربی جریان پیدا می کند و از وس منطقه قلایی می گذرد و وارد منطقه دلفان می شود و در آنجا کشکان نامیده و چون آبهای زیادی به آن می ریزد در این محل چند برابر شده و به ویژه در فصل بهار سیلابی و غیر قابل عبور می باشد.
