مقاله بررسی پیش بینی رسوبات معلق با استفاده از ترکیب منحنی سنجه رسوب و شبکه عصبی مصنوعی

اختصاصی از حامی فایل مقاله بررسی پیش بینی رسوبات معلق با استفاده از ترکیب منحنی سنجه رسوب و شبکه عصبی مصنوعی دانلود با لینک مستقیم و پر سرعت .

فرمت فایل : word (قابل ویرایش) تعداد صفحات : 21 صفحه

چکیده

برآورد بار رسوبی در رودخانه­ها با توجه به خسارات ناشی از آن، یکی از مهم­ترین و مشکل­ترین قسمت­های مطالعات انتقال رسوب و مهندسی رودخانه است. بنابراین دست یافتن به شیوه­های نوین و خلاقانه که بتواند در این راستا موثر واقع گردد دارای اهمیت خارق­العاده­ای است.در این تحقیق کاربرد روش سیستم عصبی مصنوعی (ANN) در بهینه­سازی نتایج مدلی مبتنی بر روش منحنی سنجه­ی رسوب (SRC) برای پیش­بینی بار معلق جریان مورد بررسی قرار گرفته است. برای این منظور ایستگاه یزدکان واقع بر رودخانه­ی قطورچای در نظر گرفته شد. یک مدل رگرسیونی به کمک روش SRC ساخته شد که با کمک داده­های دبی در ایستگاه مذکور میزان بار معلق در همان ایستگاه  پیش­بینی می­گردد. پس از ساختن مدل به کمک این روش، یک مدل ANNمورد استفاده قرار گرفت که دقیقا از داده­های مشابه استفاده نموده و سپس با استفاده از آن دو، مدل ترکیبی ساخته شد. لازم به ذکر است که قبل از کاربرد ترکیبی این دو روش (َANN و SRC)،  هر یک از این روش­ها به تنهایی مورد استفاده قرار گرفته و نتایج حاصل  با مقادیر واقعی مقایسه گردیده بود. نتایج حاصل از کاربرد ترکیبی این مدل­ها از کیفیت به مراتب بالاتری نسبت به کاربرد هر یک از آنها به تنهایی برخوردار است. به طوری که میزان Dr از عدد 402/1 در روش SRCو 395/2- در مدل ANN به مقدار 963/0 در یکی از مدل­های ترکیبی تعدیل یافته است. هم­چنین میزان ریشه میانگین مربعات خطا که به ترتیب برای SRC و ANN به تنهایی  286/692 و 96/616 حاصل گشته بود به عدد 094/603 کاهش پیدا کرد. 

مقدمه :

موضوع انتقال رسوب سال­هاست که مورد توجه مهندسین قرار گرفته است. روش­های مختلفی برای حل مسایل رسوب به کار گرفته شده است که نتیجه­ی آن معادلات تجربی متعددی است که توسط صاحبنظران امر ارائه شده است. گرچه نتایج این روش­ها با یکدیگر و با نتایج تجربی اختلاف چشمگیری دارند اما با توجه به اینکه اندازه­گیری رسوب رودخانه به طور محدود و معدود انجام می­شود، جهت برآورد بار رسوبی رودخانه در مواقع مورد نیاز می­توان از این معادلات استفاده کرد. اما مشکل استفاده از معادلات، از آنجایی که معادلات موجود بر اساس شرایط اقلیمی یا آزمایشگاهی سایر نقاط جهان به دست آمده­اند،این است که باید برای استفاده در رودخانه­های ایران واسنجی شده و معادله­ی بهینه انتخاب گردد. لذا این مشکل ذهن محقق را به سمت روش­هایی نوین فارغ از نیاز به معادلات مذکور سوق می­دهد. در این میان می­توان از روش هوش مصنوعی که مبتنی بر روابط حاکم بر طبیعت است و از قدرت انعطاف­پذیری بالایی برخوردار است استفاده نمود. در این زمینه می­توان به تحقیقاتی بیشماریکه در قسمت­های مختلف جهان صورت پذیرفته است، اشاره نمود.

منتظر و همکاران (1381) برای تخمین میزان رسوب رودخانه بازفت در محل ایستگاه هیدرومتری مرغک از دو شبکه پرسپترون و شبکه پاد انتشار استفاده کردند و در نهایت نتایج حاصل از شبکه ها را با روش منحنی سنجه رسوب مقایسه کردند(4). راحت­طلب نخجیری و همکاران (1383) به سنجش و گزینش مناسب­ترین روش­های برآورد بار کف (16 رابطه­ی مختلف) در رودخانه­ی زرین­گل استان گلستان پرداختند (2). نظم­آرا (1385) در مطالعه­ای روی رودخانه­ی آجی­چای با کمک شبکه­ی عصبی مصنوعی به تعیین بار معلق رودخانه پرداخت(5).فتاحی و همکاران (1385) میزان رسوب رودخانه نکا را به کمک شبکه عصبی مصنوعی برآورد کردند. در این تحقیق برای برآورد رسوب از شبکه عصبی و نیز روش های رگرسیونی (منحنی سنجه) رسوب استفاده شده است