تعداد نشریات | 43 |
تعداد شمارهها | 1,275 |
تعداد مقالات | 15,751 |
تعداد مشاهده مقاله | 51,865,728 |
تعداد دریافت فایل اصل مقاله | 14,689,907 |
کاربرد سامانههای هوشمند و روشهای آماری در تخمین توزیع غلظت رسوبات معلق | ||
دانش آب و خاک | ||
مقاله 18، دوره 24، شماره 3، آذر 1393، صفحه 231-242 اصل مقاله (414.73 K) | ||
نوع مقاله: مقاله پژوهشی | ||
چکیده | ||
آگاهی از توزیع عمقی رسوبات معلق در کانالها و آبراهههای طبیعی در تخمین بار رسوبی جریان اهمیت بسیار زیادی دارد. هزینههای زیاد و زمانبر بودن عملیات نمونهبرداری از رودخانهها و همچنین خطای قابل توجه روشها و تجهیزات مختلف نمونهبرداری، مهندسان و محققان را به سوی مدلهای شبیهسازی و استفاده از روشهای نوین آماری سوق داده است. در این مطالعه، برای تخمین توزیع غلظت رسوبات معلق از سه روش شبکههای عصبی مصنوعی (ANN)، سیستم استنتاج فازی- عصبی (ANFIS) و رگرسیون خطی چندمتغیره استفاده شد. برای بررسی دقت و صحت هر روش، معتبرترین دادههای آزمایشگاهی موجود مورد استفاده قرار گرفت. پس از ارزیابی عملکرد سه روش یادشده، مشخص شد که روش شبکه عصبی مصنوعی با ضریب همبستگی 999/0 و RMSE برابر با 042/0، نسبت به روشهای دیگر برتری نسبی داشته و به خوبی قادر به برآورد توزیع غلظت رسوبات است. پس از این روش، دقت سیستم استنتاج فازی- عصبی با ضریب همبستگی 994/0 و RMSE برابر با 042/0 در مرتبه دوم قرار گرفت. با استفاده از رهیافت رگرسیون چند متغیره، دو رابطه برای جریان در بسترهای صاف و زبر ارائه شد. نتایج نشان داد که مدل رگرسیون چند متغیره کارایی کمتری نسبت به دو مدل دیگر دارد. با مقایسه این مدلها با روابط تجربی ارائه شده، مانند معادله راوس و معادله اینشتین و شن، مشخص شد که روشهای آماری توزیع غلظت رسوبات معلق را با دقت بیشتری نسبت به معادلات تجربی برآورد میکنند. | ||
کلیدواژهها | ||
توزیع غلظت رسوبات معلق؛ سیستم استنتاج فازی- عصبی؛ شبکههای عصبی مصنوعی؛ معادله راوس؛ مدل رگرسیون خطی چند متغیره | ||
مراجع | ||
آوریده ف، بنی حبیب م و شمسی ط، 1380. کاربرد شبکههای عصبی مصنوعی جهت تخمین دبی رسوب رودخانهها. ۳۶۶ تا 367، سومین کنفرانس هیدرولیک، 5 تا 7 آبان، تهران. امید مح و نصرآبادی م، 1391. مهندسی رسوب، انتشارات دانشگاه تهران. چاپ اول. 798 صفحه. بایزیدی ش، یاسی م ، فتاحی ر و کارگر ع، ۱۳۸۴. پیش بینی و برآورد رسوب معلق روزانه با استفاده از . شبکههای عصبی مصنوعی – مدل پرسپترون چند لایه، صفحههای ۵۵۵ تا 561، پنجمین کنفرانس هیدرولیک ایران، 21 آبان، کرمان. دانندهمهر ع ، علیایی ا و قربانی م، 1389. پیش بینی بار معلق رودخانه ها بر مبنای دبی جریان با استفاده از برنامهریزی ژنتیک. پژوهشهای آبخیزداری. شماره 88. صفحههای 45 تا 54. دهقانی ا، عسگری م و مساعدی ا، 1389. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی- عصبی تطبیقی و زمین آمار در میان یابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین). مجله علوم کشاورزی و منابع طبیعی جلد شانزدهم، ویژه نامه 1 ب، صفحههای 1 تا 14. رجایی ط، میرباقری سا و مرغوب ب، 1388. شبیه سازی سری زمانی بار معلق رودخانه توسط مدل شبکه عصبی مصنوعی. دومین سمینار بین المللی مهندسی محیط زیست. دانشگاه خواجه نصیرالدین طوسی، 29 دی تا 1بهمن، تهران. طباطبائی م ، شاهدی ک و سلیمانی ک، 1392. مدل شبکه عصبی مصنوعی برآورد غلظت رسوب معلق رودخانه ای به کمک تصاویر سنجنده مودیس (مطالعه موردی ایستگاه هیدرومتری ملاثانی - رودخانه کارون). نشریه آب و خاک (علوم و صنایع کشاورزی). جلد 27. شماره 1. صفحههای 193 تا 204. طلوعی س ، دلیر عح، قربانی مع ، فاخریفرد ا و سلماسی ف، 1390. تخمین زمانی و مکانی بار معلق رودخانه آجیچای با استفاده از زمین آمار و شبکه عصبی مصنوعی. نشریه دانش آب و خاک. جلد 21 . شماره 4، صفحههای 93 تا 104. فلامکی ا، اسکندری م، بغلانی ع و احمدی س، 1392. مدل سازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی. نشریه حفاظت منابع آب و خاک، سال دوم، شماره 3. صفحههای 13 تا 24. فیضنیا س، محمدعسگری ح و معظمی م، 1388. بررسی کارایی روش شبکه عصبی مصنوعی در تخمین رسوب معلق روزانه. مجله منابع طبیعی ایران. دوره 60، شماره 4. صفحههای 1199 تا 1210. نصرآبادی م، ریاحی ص و صمدی بروجنی ح، 1392. ارزیابی معادلات توزیع غلظت رسوبات معلق در کانالهای باز. مجله پژوهش آب ایران. سال ششم. شماره یازدهم، صفحههای 122تا 131. Alp M and Cigizoglu HK, 2007. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modeling and Software 22(1):2-13. Chang FJ, and Chang YT, 2005. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advances in Water Resources 29(1):1-10. Chang FM, Simons DB, and Richardson EV, 1967. Total bed-material discharge in alluvial channels. US Geological Survey Water-Supply paper 1498-I. Cigizoglu HK, and Kisi O, 2006. Methods to improve the neural network performance in suspended sediment estimation. Journal of Hydrology 317(3):221-238. Enistein HA, and Chien N, 1955. Effects of heavy sediment concentration near the bed on velocity and sediment distribution, Report No. 8. U. S. Army Corps of Engineers. Missouri River Division. University of California. Gary LB, 2008. Approximate profile for non-equilibrium suspended sediment. Journal of Hydraulic Engineering 134(7): 1010-1014. Itakura T, and Kishi T, 1980. Open channel flow with suspended sediments. Journal of Hydraulic Division ASCE 106(8): 1325-1343. Mctigue DF, 1981. Mixture theory for suspended sediment transport. Journal of Hydraulic Division ASCE 107(6): 659-673. Jang JS, 1993. ANFIS: Adaptive Network-based Fuzzy Inference System. IEEE Transactions on Systems Man and Cybernetics 23(3): 665-685. Rouse H, 1937. Modern conceptions of the mechanics of fluid turbulence. Transactions of the American Society of Civil Engineers 102(1): 463-505. Tanaka S, and Sugimoto S, 1958. On the distribution of suspended sediment in experimental flume flow. Memoirs of the faculty of engineering. No. 5. Kobe University, Japan. Vanoni VA, 1946. Transportation of suspended sediment by water. Transactions of the American Society of Civil Engineers 111(1): 67-102. Willis JC, 1979. Suspended load from error-function models. Journal of Hydraulics Division ASCE 105(7): 801-816
| ||
آمار تعداد مشاهده مقاله: 1,991 تعداد دریافت فایل اصل مقاله: 1,080 |