میترا تنهاپور؛ محمد ابراهیم بنی‌حبیب
چکیده
جریان واریزهای از جمله مخاطرات طبیعی است که زندگی انسان‌ها را در نواحی پر جمعیت کوهستانی تهدید می‌کند. لذا تعیین آستانه بارندگی وقوع جریان واریزهای، برای توسعه یک سامانه پیش‌بینی مؤثر، ضروری است. در تحقیق حاضر، آستانه‌های تجربی بارندگی برای وقوع جریان واریزهای به‌وسیله روش هیرانو در بخشی از حوضه‌های ...
بیشتر
جریان واریزهای از جمله مخاطرات طبیعی است که زندگی انسان‌ها را در نواحی پر جمعیت کوهستانی تهدید می‌کند. لذا تعیین آستانه بارندگی وقوع جریان واریزهای، برای توسعه یک سامانه پیش‌بینی مؤثر، ضروری است. در تحقیق حاضر، آستانه‌های تجربی بارندگی برای وقوع جریان واریزهای به‌وسیله روش هیرانو در بخشی از حوضه‌های کوهستانی البرز شامل گرگان‌رود، ناورود، نکا و بابل‌رود ارزیابی شده است. بدین‌منظور، از هایتوگراف بارندگی بارانسنج‌های ثبات در محدوده زمانی سال‌های 1383-1362 استفاده شد. سپس آستانه شدت-مدت بارش برای حوضه‌های منتخب برآورد شده، با تحقیقات پیشین در مقیاس محلی، ناحیه‌ای و جهانی مقایسه شد. بررسی آستانه‌های بارندگی برای شروع جریان واریزهای نشان داد، بارندگی‌های بیشتر از 27.2 و 14.8 میلی‌متر به‌ترتیب در حوضه‌های ناورود و گرگان‌رود و بارندگی‌های بیشتر از 37.84 و 66.12 میلی‌متر در حوضه‌های بابل‌رود و نکا در مدت زمان تمرکز آنها، قادر به راه‌اندازی جریان واریزهای هستند. مقایسه آستانه شدت-مدت بارندگی این پژوهش با نتایج تحقیقات قبل نشان داد که به‌طورکلی، آستانه شدت-مدت بارش ناحیه مطالعاتی نسبت به آستانه‌های شدت-مدت محلی و ناحیه‌ای سایر کشورها پایین‌تر و از آستانه‌های جهانی بالاتر هستند. به عبارت دیگر، در برخی نقاط دنیا بارندگی‌های کوچک‌تر نسبت به مناطق مورد مطالعه می‌توانند جریان واریزهای تولید کنند. این اختلافات در میان آستانه‌ها می‌تواند به‌دلیل تنوع ناشی از عوامل اقلیمی، جغرافیایی، فیزیوگرافی، زمین‌شناسی برخی مناطق دیگر باشد.
میترا تنهاپور؛ محمدابراهیم بنی‌حبیب
چکیده
پیش‌بینی مقدار رسوب در طرح‌های مهندسی منابع آب نظیر تأسیسات تنظیم و انحراف جریان و سدهای مخزنی از عوامل مهم در تعیین عمر مفید و بررسی عملکرد آنها است. در این تحقیق مدلی برای تخمین دبی روزانه رسوب، با استفاده از مدل شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا ارائه شد و عملکرد مدل با مدل رگرسیون غیرخطی چند ...
بیشتر
پیش‌بینی مقدار رسوب در طرح‌های مهندسی منابع آب نظیر تأسیسات تنظیم و انحراف جریان و سدهای مخزنی از عوامل مهم در تعیین عمر مفید و بررسی عملکرد آنها است. در این تحقیق مدلی برای تخمین دبی روزانه رسوب، با استفاده از مدل شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا ارائه شد و عملکرد مدل با مدل رگرسیون غیرخطی چند متغیره و منحنی‌سنجه رسوب در مراحل آموزش و آزمون مقایسه شد. بدین منظور از داده‌های دبی لحظه‌ای، بارش، شماره روز در سال و دبی آب در روز قبل در محدوده سال‌های 1388-1369 در ایستگاه پل زغال واقع در حوضه رودخانه چالوس استفاده شد. نتایج حاصل از آزمون ترکیب مختلف مجموعه داده‌های ورودی نشان داد، ابتدا پارامتر دبی لحظه‌ای، سپس دبی روز قبل و در نهایت عوامل بارش و شماره روز سال به‌ترتیب بیشترین تأثیر را در عملکرد مدل دارند، این نتایج تطابق نسبتا خوبی با نتایج حاصل از آنالیز ضرایب استاندارد شده مدل رگرسیونی دارد. برای مقایسه ساختارهای مختلف شبکه عصبی از معیارهای ضریب تبیین (R2) و جذر میانگین مربع خطا (RMSE) استفاده شد. بدین ترتیب با حذف متغیر شماره روز سال، بهترین شبکه با ساختار 1-5-3 و مقادیر 0.89= R2 و 0.02=RMSE به‌دست آمد. نتایج حاصل از مقایسه مدل‌ها نشان داد، در مرحله آموزش و آزمون به‌ترتیب روش منحنی‌سنجه و مدل شبکه عصبی بهترین عملکرد را به خود اختصاص داده‌اند و مدل شبکه عصبی مقدار ضریب همبستگی را تقریباً 16 درصد نسبت به دو روش دیگر افزایش داد. با استفاده از نتایج این تحقیق، عوامل موثر بر تخمین دبی رسوب شناسایی شده و می‌توان در پروژه‌ها، با صرف وقت و هزینه کمتر برآورد دقیق‌تری از دبی رسوب داشت.
