سمیه امامی؛ جواد پارسا
چکیده
با توجه به اینکه رژیم جریان و بهتبع آن رژیم رسوب در حوزههای آبخیز ثابت نیست، پیشبینی دبی رسوب کمک شایانی در برآورد و مدیریت رسوب ورودی به سازههای آبی مینماید. اندازهگیری میزان رسوب به شیوهی معمول در دنیای امروز توجیهپذیر نبوده و ممکن است خطای انسانی را نیز به همراه داشته باشد. از اینرو، در این پژوهش، از سه الگوریتم ...
بیشتر
با توجه به اینکه رژیم جریان و بهتبع آن رژیم رسوب در حوزههای آبخیز ثابت نیست، پیشبینی دبی رسوب کمک شایانی در برآورد و مدیریت رسوب ورودی به سازههای آبی مینماید. اندازهگیری میزان رسوب به شیوهی معمول در دنیای امروز توجیهپذیر نبوده و ممکن است خطای انسانی را نیز به همراه داشته باشد. از اینرو، در این پژوهش، از سه الگوریتم فراابتکاری بهینهسازی شامل الگوریتم رقابت استعماری (ICA)، الگوریتم گرگ خاکستری (GWO) و الگوریتم انتخابات (EA) برای برآورد بار رسوبی معلق رودخانهی زرینهرود استفاده شده است. برای محاسبه دبی رسوب توسط مدلها در ابتدا آمار و اطلاعات لازم در دورهی آماری 94-1372 در ایستگاه مورد مطالعه جمع-آوری شده است. پس از پردازش دادهها، تعداد 210 داده متناظر دبی و رسوب انتخاب شد. دادههای دبی- رسوب متناظر ایستگاه مورد مطالعه بهصورت تصادفی به دو بخش 70 درصد برای واسنجی و 30 درصد برای آزمون تفکیک شدند. برای ارزیابی عملکرد روشهای پیشنهادی، از چهار آماره شامل ضریب تبیین (R2)، مجذور میانگین مربعات خطا (RMSE)، معیار نش- ساتکلیف (NSE) و میانگین قدرمطلق خطا (MAE) استفاده شده است. نتایج بهدست آمده نشان داد که الگوریتم GWO با کسب مقادیر RMSE=228.86, R2=0.96 تن در روز، NSE=0.74 وMAE=67.32 تن در روز، در مقایسه با سایر الگوریتمهای بهکار گرفته شده، از کارایی بالاتری برخوردار است که این امر میتواند به برنامهریزی صحیح و جامع برای طراحی و ساخت سازههای آبی منجر شود.
حسن ترابی پوده؛ احمد گودرزی؛ رضا دهقانی
چکیده
شبیهسازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم در مدیریت منابع آب میباشد. اندازهگیری مقدار رسوب به روشهای متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده، گاهی از دقت کافی نیز برخوردار نیست. در این پژوهش برای تخمین رسوبات رودخانه کشکان واقع در استان لرستان، از شبکه عصبی موجک استفاده شد و نتایج آن با روشهای مرسوم هوشمند ...
بیشتر
شبیهسازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم در مدیریت منابع آب میباشد. اندازهگیری مقدار رسوب به روشهای متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده، گاهی از دقت کافی نیز برخوردار نیست. در این پژوهش برای تخمین رسوبات رودخانه کشکان واقع در استان لرستان، از شبکه عصبی موجک استفاده شد و نتایج آن با روشهای مرسوم هوشمند همچون شبکه عصبی مصنوعی مقایسه شد. پارامتر دبی، دما، میزان مواد جامد محلول در آب و بارش بهعنوان ورودی و دبی رسوب بهعنوان خروجی مدل در مقیاس زمانی ماهانه طی دوره آماری (1393-1364) انتخاب شد. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدلها مورد استفاده قرار گرفت. نتایج حاصله نشان داد، ساختار ترکیبی توانسته با استفاده از دو روش هوشمند مورد بررسی، در تخمین میزان رسوب نتایج قابل قبولی ارائه کند. لیکن از لحاظ دقت، مدل شبکه عصبی موجک با بیشترین ضریب همبستگی (0.850)، کمترین ریشه میانگین مربعات خطا (t day-1 0.051) و نیز معیار نش ساتکلیف (0.758) در مرحله صحتسنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که مدل شبکه عصبی موجک توانایی بالایی در تخمین مقادیر کمینه و بیشینه برخوردار است.