| تعداد نشریات | 14 |
| تعداد شمارهها | 680 |
| تعداد مقالات | 7,068 |
| تعداد مشاهده مقاله | 10,677,221 |
| تعداد دریافت فایل اصل مقاله | 9,774,751 |
ارزیابی توانایی شبکههای عصبی آگاه از فیزیک در تسریع شبیه سازی سیلاب با استفاده از نرمافزار STE | ||
| مجله پژوهشهای حفاظت آب و خاک | ||
| دوره 32، شماره 4، دی 1404، صفحه 105-127 اصل مقاله (1.97 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwsc.2026.22522.3734 | ||
| نویسندگان | ||
| رضا تیموری1؛ امیر احمد دهقانی* 2؛ مهدی مفتاح هلقی3 | ||
| 1دانشجوی دکتری علوم و مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
| 2نویسنده مسئول، استاد گروه علوم و مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
| 3دانشیار گروه علوم و مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران | ||
| چکیده | ||
| سابقه و هدف: وقوع سیل موجب خسارات قابل توجهی به مناطق شهری و روستایی میشود. تحلیل سریع و مشاهده پهنه سیلاب در زمان وقوع سیل برای شناسایی مناطق مورد تهدید و ارزیابی خسارات احتمالی، ضروری است. یکی از مهمترین ضرورتهای مدلسازی سریع سیلاب، امکان پیشبینی دقیق و بهموقع نقاط مورد تهدید سیلاب است. این پیشبینیها میتوانند به مقامات مسئول و ساکنان مناطق در معرض خطر هشدار دهند تا اقدامات لازم برای کاهش خسارات جانی و مالی انجام شود. در زمان وقوع سیلاب، داشتن مدلهای دقیق و سریع به مسئولان کمک میکند تا تصمیمات بهتری در زمینه امداد و نجات، تخلیه مناطق و تخصیص منابع اتخاذ کنند. برای مدلسازی سیل تحقیقات گستردهای انجام شده و مدلهای هیدرولیکی، هیدرولوژیکی و تجربی زیادی ارائه و مورد بررسی قرار گرفته است. بر خلاف انجام تحقیقات متعدد هنوز نرمافزار و مدلی که بتواند در زمان وقوع سیل، پهنهبندی سریع سیلاب را انجام دهد وجود ندارد، لذا در این تحقیق اقدام به کدنویسی و توسعه بخش دوبعدی نرمافزار STE به منظور مدلسازی دقیق و سریع سیلاب با استفاده از روشهای هوش مصنوعی و معادلات دوبعدی آب کم عمق شده است. مواد و روشها: در این تحقیق با توسعه بخش دو بعدی نرمافزار STE اقدام به ارزیابی توانایی دو ساختار متفاوت از شبکههای عصبی مصنوعی پرسپترون با نام شبکههای عصبی آگاه از فیزیک، در مدلسازی سریع سیلاب در رودخانه ایودلو کریک، در منطقه سانشاین کوست، کوئینزلند، کشور استرالیا شده است. در این تحقیق، تعلیم شبکههای عصبی آگاه از فیزیک با استفاده از الگوریتم هوشمند ژنتیک انجام گرفته و به منظور آزمون شبکههای تعلیم یافته و ارزیابی توانایی آنها در مدلسازی سریع سیلاب به مقایسه نتایج با روش حل عددی تفاضلهای محدود پرداخته شده است. برای انجام مدلسازیها از هیدروگراف سیل دریافت شده از سایت هواشناسی کشور استرالیا برای ایستگاه هیدرومتری بالادست رودخانه مورد مطالعه استفاده شده است. یافتهها: مقایسه نتایج بدست آمده از شبکههای عصبی آگاه از فیزیک با نتایج بدست آمده از روش تفاضلهای محدود نشان داد، شبکههای عصبی آگاه از فیزیک قادر هستند 50 تا 70 درصد زمان لازم جهت اتمام مدلسازی را با حفظ میزان قابل توجهی از دقت و پایداری مدلسازی کاهش دهند. افزایش ضریب بتا در هر دو شبکه عصبی باعث افزایش سرعت مدلسازی در مقابل کاهش دقت مدلسازی شده است. شبکههای عصبی آگاه از فیزیک پیچیده قادر به حفظ میزان بیشتری از دقت و پایداری مدلسازی مخصوصا در گامهای زمانی بزرگتر و ضریب بتا بیشتر هستند و ضمن کاهش زمان لازم جهت اتمام مدلسازی، خطای کمتری وارد محاسبات کرده و نتایج را نزدیکتر به حل عددی ارائه میدهند. افزایش ضریب بتا خطای قابل توجهی را در مقابل کاهش اندک زمان اتمام مدلسازی به همراه خواهد داشت که بر این اساس میتوان نتیجه گرفت ضریب بهینه بتا برای منطقه مورد مطالعه و شبکههای عصبی آگاه از فیزیک پیچیده مقدار 8 میباشد. شبکههای عصبی آگاه از فیزیک پیچیده در ارائه نحوه تغییرات عمق جریان و پهنه سیلابی در طول زمان نیز با دقت قابل قبولی عمل کرده و برای مدلسازی سریع سیلاب، مشخص سازی پهنه سیلاب و مناطق مورد تهدید، مدیریت بحران و کاهش خسارات سیل مناسب میباشد. نتیجه گیری: روشهای هوش مصنوعی مورد بررسی در این تحقیق، ضمن افزایش سرعت مدلسازی و کاهش زمان لازم جهت اتمام مدلسازی و پهنهبندی سیل از دقت مناسبی برخوردار بوده و میتواند ابزار مناسبی برای مدلسازی سریع سیلاب باشد که استفاده از این شبکهها به مشخص سازی سریعتر مناطق مورد تهدید سیل، اطلاع رسانی و تخلیه به موقع مناطق در معرض خطر و کاهش خسارات جانی و مالی کمک خواهد کرد. | ||
| کلیدواژهها | ||
| مدلسازی سریع سیلاب؛ شبکههای عصبی آگاه از فیزیک؛ دسته معادلات آب کم عمق؛ نرمافزار STE | ||
| مراجع | ||
|
1.Neal, J., Villanueva, I., Wright, N., Willis, T., Fewtrell, T., & Bates, P. (2012). How much physical complexity is needed to model flood inundation?. Hydrological Processes, 26(15), 2264-2282.
2.De Almeida, G. A., & Bates, P. (2013). Applicability of the local inertial approximation of the shallow water equations to flood modeling. Water Resources Research, 49(8), 4833-4844.
3.Tanaka, T., & Yoshioka, H. (2017). Numerical stability analysis of the local inertial equation with semi-and fully implicit friction term treatments: assessment of the maximum allowable time step. Journal of Advanced Simulation in Science and Engineering, 4(2), 162-175.
4.Jamali, B., Haghighat, E., Ignjatovic, A., Leitão, J. P., & Deletic, A. (2021). Machine learning for accelerating 2D flood models: Potential and challenges. Hydrological Processes, 35(4), e14064.
5.Qian, K., Mohamed, A., & Claudel, C. (2019). Physics informed data driven model for flood prediction: Application of deep learning in prediction of urban flood development. arXiv preprint arXiv: 1908. 10312.
6.Mahesh, R. B., Leandro, J., & Lin, Q. (2022). Physics informed neural network for spatial-temporal flood forecasting. In Climate Change and Water Security: Select Proceedings of VCDRR 2021. Springer Singapore.
7.Nazari, L. F., Camponogara, E., & Seman, L. O. (2022). Physics-informed neural networks for modeling water flows in a river channel. IEEE Transactions on Artificial Intelligence, 5(3), 1001-1015.
8.Jung, S., An, H., & Lee, G. (2023). Exploring the power of physics-informed neural networks for accurate and efficient solutions to 1D shallow water equations. Journal of Korea Water Resources Association, 56(12), 939-953.
9.Teimourey, R., & Dehghani, A. A. (2021). Assessment of bed load transport formula by using developed applied software (STE) (Case study: Chehel-chai, Khormaloo and Soosara rivers in Golestan province). Amirkabir Journal of Civil Engineering, 52(11), 2743-2760.
10.Teimourey, R., & Dehghani, A. A. (2020). Comparison of Different Methods for Estimating Bed Load using developed software of STE (case study: Babolroud River). Journal of Water and Soil Conservation, 27(1), 229-236. | ||
|
آمار تعداد مشاهده مقاله: 163 تعداد دریافت فایل اصل مقاله: 143 |
||