ارزیابی عملکرد روش های داده گرا در تخمین بار کل رسوبی رودخانه های شنی
عنوان مقاله: ارزیابی عملکرد روش های داده گرا در تخمین بار کل رسوبی رودخانه های شنی
شناسه ملی مقاله: JR_IJSWR-50-6_014
منتشر شده در در سال 1398
شناسه ملی مقاله: JR_IJSWR-50-6_014
منتشر شده در در سال 1398
مشخصات نویسندگان مقاله:
کیومرث روشنگر - Associate Professor, Department of Civil Engineering, University of Tabriz, Tabriz, Iran
سامان شهنازی - Department of water engineering, Faculty of civil engineering, University of Tabriz, Tabriz, Iran
خلاصه مقاله:
کیومرث روشنگر - Associate Professor, Department of Civil Engineering, University of Tabriz, Tabriz, Iran
سامان شهنازی - Department of water engineering, Faculty of civil engineering, University of Tabriz, Tabriz, Iran
انجام مطالعات فراوان در رابطه با انتقال رسوب و به ویژه پیشبینی این پدیده نشانگر اهمیت بسیار بالای آن در علوم مرتبط با مهندسی و مدیریت منابع آب میباشد. در این بین روشهای هوشمند در سالهای اخیر به طور موفقیت آمیزی در پیشبینی بار بستر، بار معلق و همچنین بار کل رسوب به کار گرفته شده است. با این حال با توجه به کمبود دادههای مرتبط به بار کل برای رودخانههای با بستر شنی، مطالعات انجام گرفته در این راستا محدود میباشد. هدف از تحقیق حاضر استفاده از روشهای قدرتمند ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون فرآیند گاوسی به منظور پیشبینی بار کل رسوب در ۱۹ رودخانه شنی واقع در ایالات متحده آمریکا و مقایسه نتایج حاصل با روشهای کلاسیک مرسوم میباشد. بدین منظور پارامترهای بدون بعد مختلفی مبتنی بر هیدرولیک جریان و مشخصات رسوب تعریف و عملکرد روشهای مذکور مورد ارزیابی قرار گرفت. با توجه به نتایج به دست آمده شبکه عصبی مصنوعی با دارا بودن ضریب همبستگی و معیار ناش- ساتکیف به ترتیب برابر با ۹۵۲/۰ R= و ۹۰۳/۰ NSE= برای دادههای صحتسنجی از عملکرد بهتری نسبت به دو روش دیگر برخوردار میباشد. در نهایت با انجام تحلیل حساسیت، پارامتر نسبت سرعت متوسط به سرعت برشی جریان به عنوان تاثیرگذارترین پارامتر در پیشبینی بار کل رسوب معرفی شد.
کلمات کلیدی: Total load, Gravel-bed rivers, Support vector machine, Artificial Neural Network, Gaussian process regression
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1663530/