بخشی از مقاله
خلاصه
تخمین میزان رسوب در طیف گستردهای از بحثهای منابع آب و مسائل مربوط به مهندسی رودخانهها، طراحی سدها، انتقال آلودگی، تاثیرات زیست محیطی و تاثیرات آبخیزداری دارای اهمیت میباشد. با توجه به پیچیدگی پدیده رسوب، تاثیر پارامترهای مختلف و نیز تاثیر تغییرات مکانی، زمانی و شرایط هیدرولوژیکی حوضه آبریز، روشهای کلاسیک هیدرومکانیکی در مدلسازی انتقال بار رسوب موفق نبوده است.
در مقاله حاضر برآورد بار رسوب معلق رودخانه صوفی چای در ایستگاه تازهکند با استفاده از شبکه عصبی FFNN و منحنی سنجه رسوب مورد بررسی قرار گرفته است. نتایج بدست آمده با معیارهای MARE، RMSE و R مورد ارزیابی قرار گرفته که حاکی از برتری این سیستم و ضعف و عدم توانایی منحنی سنجه در برآورد رسوب معلق دارد.
.1 مقدمه
تعیین مقدار رسوب حمل شده توسط رودخانهها از جنبههای مختلف دارای اهمیت است. در طرحهای مهندسی با هدف بهره برداری 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 تلقی میشود. دهه هشتاد را می توان سرآغاز تحولی بزرگ در عرصه مطالعه و تعیین رسوب رودخانه ها قلمداد نمود. در این دوره با ورود رایانه به حوزه مطالعات و به تبع آن توسعه سریع مدل های کامپیوتری بررسی فرآیند انتقال و تعیین کمیت رسوب حمل شده شتاب بیشتری به خود گرفت و امکان تحلیل عملکرد رودخانهها در شرایط طبیعی و چگونگی تاثیرپذیری آن از طرحهای مختلف مهندسی تحقق یافت.
امروزه با توسعه امکانات نرم افزاری و بهره گیری از فناوریهای جدید، انجام سنجشهای میدانی، بررسیهای دقیق آزمایشگاهی و پردازش سریع اطلاعات، شناخت هرچه بهتر فرآیند انتقال رسوب فراهم گردیده است. شبکه های عصبی نوعی مدلسازی ساده انگارانه از سیستمهای عصبی واقعی هستند که کاربرد فراوانی در حل مسائل مختلف در علوم دارند. کاربرد شبکه های عصبی مصنوعی در مدلسازی بار معلق رسوب روزافزون است.
از دیگر تکنیک های محاسبات نرم که در طی سالهای اخیر مورد توجه محققان هیدرولوژی قرار گرفته است، بکار گیری روش فازی است. کاربرد روشهای محاسباتی هوشمند بیانگر برتری این مدل ها بر سایر روشها است، این برتری شامل توانایی کار با طیف وسیعی از دادههای متنوع از سیستمهای دینامیک و غیرخطی است. بویژه زمانی که روابط فیزیکی نیز در مواردی کارائی خود راکاملاً از دست میدهند. علیرغم مزایای جداگانه هر یک از این روش ها، با ترکیب آنها، هر یک از این تکنیک ها میتواند در یک همسویی توانمند و با همپوشانی نقاط ضعف خود منجر به ساختار قدرتمند سیستم های هوشمند شود. لذا طی سال های اخیر یکپارچگی شبکههای عصبی 1و منطق فازی 2 منتج به ظهور سیستمهای عصبی فازی شده است.
سیستم عصبی- فازی3 قابلیت افزایش مزیت های ذاتی و مجزای شبکههای عصبی و منطق فازی را دارا میباشد. بطوریکه یک سیستم عصبی فازی با اتکا به ترکیب قدرت یادگیری و توان آموزش پذیری شبکه های عصبی مشکلات اساسی یک سیستم فازی را حذف کرده و رابطه بین متغیرهای مختلف را شناسایی مینماید.
.2 عوامل موثر بر انتقال رسوب
رسوب حمل شده در رودخانهها از خصوصیات فیزیوگرافیک حوضههای آبریز نظیر مساحت، شیب، تراکم شبکه آبراههها، شکل حوضه و نیمرخ طولی رودخانه تاثیرپذیری دارد. در حوضههای کوهستانی وقوع پدیده های زمین لغزش و کوه ریزش متداول بوده و نرخ فرسایش خاک نیز شدیدتر می باشد. نیمرخ طولی رودخانه از جمله شاخصهای فیزیوگرافیک حوضههای آبریز می باشد که نقش مهمی در انتقال رسوب ایفا می کند. شیب زیاد رودخانه در بالادست توان انتقال را افزایش داده و امکان حمل مواد رسوبی درشت دانه فراهم می گردد.
در بازههای پایین دست با کاهش شیب طولی مواد درشت دانه ته نشین شده و رسوبات ریزدانه فرصت انتقال پیدا می کنند. همچنین مقدار رسوب حمل شده با افزایش مساحت حوضه آبریز روبه افزایش می گذارد. شدت بارندگی و مدت دوام آن، از جمله عوامل هواشناسی موثر در انتقال رسوب می باشد. این عوامل در تعیین نرخ فرسایش خاک و انتقال آن به شبکه آبراههها حایز اهمیت است. خصوصیات ریخت شناسی رودخانه ها برپدیده انتقال رسوب تاثیرگذار می باشد. براساس بررسی های انجام شده در رودخانههای با پیچانرودی شدید انتقال رسوب عمدتا به صورت بار معلق بوده و در رودخانه های مستقیم و شریانی بار بستر و معلق به نسبت تقریبا مساوی وجود دارند.
مقدار رسوب حمل شده با اندازه دانههای موجود در بستر و کنارهها مرتبط است. نرخ حمل مواد رسوبی ریزدانه به مراتب بیشتر از دانههای درشت میباشد.انتقال مواد رسوبی به صورت بار بستر و بار معلق تابع شرایط هیدرولیکی رودخانه بوده و از این رو بررسی مشخصههای هیدرولیک جریان گام مهمی در تعیین بار رسوبی رودخانه ها می باشد.
همچنین خصوصیات زمین شناسی حوضههای آبریز عامل موثری در تغذیه رسوبی رودخانه ها می باشد. در شکل 1 وضعیت دره و مسیر رودخانه و حالت های مختلف انتقال رسوب برای یک حوضه آبریز فرضی نشان داده شده است . مطابق شکل ناحیه کوهستانی در سر شاخه ها به عنوان منبع اصلی تامین رسوب عمل می کند و مواد رسوبی حاصل شده به صورت بار بستر در محدوده کوهپایه به پایین دست منتقل و در ناحیه جلگه ای انتقال مواد رسوبی به صورت ترکیبی از بار بستر و معلق می باشد. در ناحیه پایین دست محدوده دلتا به علت افت محسوس شیب بستر و کاهش قطر دانه ها، انتقال رسوب به صورت بار معلق عمومیت دارد.
شکل -1 شکلهای مختلف انتقال رسوب در مسیر رودخانهها
مواد رسوبی که توسط جریان آب رودخانه ها منتقل میشوند به دو بخش کلی باربستر و بار معلق تقسیم میشوند. بار بستر معمولاً به صورت درصدی از بار معلق بر حسب وزن در واحد زمان در واحد عرض، اندازه گیری میشود. برای بدست آوردن بار بستر وزن مواد بار بستری که از یک مقطع معین و در یک زمان مشخص عبور میکند باید اندازه گیری گردد. بار معلق رودخانه از حاصلضرب غلظت رسوب معلق در مقدار دبی بدست میآید. چون غلظت رسوبات هم نسبت به عرض و هم نسبت به عمق متفاوت است که میتوان از رابطه ی زیر مقدار بار معلق در هر مقطع از رودخانه را محاسبه کرد:
- 1 - که در آن Ci متوسط عمقی غلظت رسوب و i نشان دهنده شماره بخشی از مقطع میباشد که در آن بخش غلظت اندازه گیری شده است و n تعداد زیر بخشهای هر مقطع عرضی را نشان میدهد. Qi نیز عبارتست از مقدار دبی مربوط به هر زیر بخش مقطع عرضی.
حسنزاده و خانکندی، در پیش بینی روند رسوبگذاری در مخزن سد علویان با استفاده از مدل Gstars3.0 نشان دادند که این مدل تطابق بهتری را به جهت شبه دو بعدی بودن مدل، برای بررسی روند رسوبگذاری در مخزن نشان می دهد و از این مدل می توان برای مطالعه مکانیسم رسوبگذاری در سایر سدهای کشور نیز استفاده نمود.
ابوالواسط و شهرادفر - 1385 - ، از شبکههای عصبی مصنوعی برای مطالعه و بررسی تأثیر نوسانات سطح آب رودخانه بر روی میزان بار معلق - مطالعه موردی حوضه آبریز اهر چای در محل سد ستارخان استان آذربایجان شرقی - استفاده نمودند. نتایج تحقیق حاکی از آن است که شبکههای عصبی مصنوعی از سرعت عمل و دقت قابل قبولی برخوردار میباشند.
کیسی - 2005 - در زمینه استفاده از منطق فازی توانست میزان رسوبات معلق را با استفاده از دادههای USGS1 و با به کارگیری شبکههای فازی -عصبی و عصبی پیشبینی نماید. بر اساس این تحقیق روش فازی -عصبی انعطافپذیری بیشتر و نیز تطابق بیشتری با واقعیت پدیده مورد مطالعه دارا بوده است.
