
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,503 |
تعداد مشاهده مقاله | 8,643,742 |
تعداد دریافت فایل اصل مقاله | 8,238,364 |
پیش بینی مشخصات کانال های پایدار با استفاده از محاسبات نرم | ||
مجله پژوهشهای حفاظت آب و خاک | ||
مقاله 7، دوره 23، شماره 4، مهر 1395، صفحه 119-135 اصل مقاله (678.56 K) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2016.9566.2380 | ||
نویسندگان | ||
سید مرتضی سیدیان* 1؛ معصومه فراستی2؛ علی حشمت پور1؛ ابوالحسن فتح آبادی1 | ||
1هیات علمی | ||
2هیات علمی دانشگاه رازی کرمانشاه | ||
چکیده | ||
سابقه و هدف: از موضوعات مهم در مهندسی رودخانه تعیین مشخصات آبراهه پایدار شامل عرض، عمق و شیب است که بیش از یک قرن مورد توجه بوده است. طراحی پایدار یک آبراهه در کارهای مختلفی مانند مهندسی رودخانه، کنترل سیل و انتقال آب مورد استفاده قرار میگیرد. آبراهههای پایدار معمولاً توسط روابط تجربی که گاهی دقت بسیار کمی دارند طراحی میشود. هدف اصلی این تحقیق ارزیابی دو روش ANFIS و SVM در تخمین مشخصات آبراهه پایدار است. مواد و روشها: تعداد 325 داده اندازهگیری شده از مشخصات آبراهههای طبیعی و تحقیقات آزمایشگاهی برای آموزش، ارزیابی و آزمایش دو روش ANFIS و SVM مورد استفاده قرار گرفت. سیستم نوروفازی که ترکیب شبکه عصبی با منطق فازی میباشد اولین بار توسط ژانگ 1993 معرفی شد. ماشین بردار پشتیبان در الگوریتمهای رگرسیون و طبقهبندی استفاده میگردد. 60% دادهها برای آموزش، 20% برای ارزیابی و 20% باقیمانده برای آزمایش استفاده شد. برای برآورد مشخصات آبراهه از دو ورودی شامل: 1- دبی و 2- دبی و قطر متوسط رسوب استفاده شد. از روابط تجربی افضلی مهر و همکاران، بری و سیمونز و آلبرتسون برای مقایسه با دو روش ANFIS و SVM استفاده گردید. یافتهها: روشهای ANFIS و SVM با ورودی (2) نسبت به (1) عرض را به ترتیب حدود 50% و 80% و عمق را به ترتیب 61% و 40% با خطای کمتری تخمین زدند. دقت پیشبینی ANFIS و SVM در دامنههای مختلف عرض و عمق متفاوت است. هر دو روش نتوانستند شیب را پیشبینی کنند. رابطه تجربی بری که عمق و عرض را با دقت قابل قبولی پیشبینی میکند در تخمین شیب دارای دقت کمی است. نتیجهگیری: نتایج نشان داد هر دو روش با ورودی (2) تغییرات هندسی آبراهه را با دقت قابل قبولی شبیهسازی میکنند و عرض و عمق را به خوبی تخمین میزنند. به طور کلی قابلیت تخمین عرض بیشتر از عمق است و هر دو روش با ورودی (1) و (2) قادر به تخمین شیب کانال پایدار نمیباشند. در اعماق کمتر از 2 متر تأثیر قطر متوسط رسوب نسبت به دبی بر پیشبینی عمق کم است. تغییرات شیب فقط به دبی و قطر متوسط رسوب بستگی ندارد و پارامترهای دیگری در تغییرات آن تأثیر دارند. تأثیر پارامترهای ناشناخته بر شیب-های بیشتر از 5/0% بیشتر است زیرا هر دو روش هیچ تخمین قابل قبولی ارائه نکردهاند. رابطه بری نسبت به دو رابطه سیمونز و آلبرتسون و افضلی دارای دقت بیشتری در پیشبینی مشخصات آبراهه است. مقایسه ANFIS با روابط تجربی نشان داد مشخصات آبراهه پایدار توسط ANFIS با دقت بیشتری نسبت به روابط تجربی پیشبینی میشود. | ||
کلیدواژهها | ||
آبراهه پایدار؛ مشخصات هندسی؛ ANFIS؛ SVM | ||
مراجع | ||
1.Afzalimehr, H., Abdolhosseini, M., and Singh, V.P. 2010. Hydraulic Geometry Relations for Stable Channel Design. J. Hydrol. Engin. 15: 1. 859-864.
2.Afzalimehr, H., Heydarpour, M., and Farshi, S.H. 2006. Regime theory and its application for a uniform and non-uniform flow. Science and Technology of Agriculture and Natural Resources. 10: 1. 12-23. (In Persian)
3.Akan, A.O. 2001. Tractive force channel design aid. Can. J. Civil Engin. 28: 865-867.
4.Bahramifar, A., Shirkhani, R., and Mohamadi, M. 2013. Semi-theoretical model predicts a stable level of river sand bed. Iran watershed science and engineering. 7: 23. 19-30. (In Persian) 5.Bray, R.D. 1982. Regime equations for gravel-bed rivers. P 517-544, In: R.D. Hey, J.C. Bathurst and C. Thorne (Eds.), Gravel-bed rivers. New York: John Wiley.[A1] [M2]
6.Frances, S. 2000. A study of different methods for determination of regime channel geometry with application to streams in southwestern Ontario. Electronic Theses and Dissertations. University of Windsor, 773p.
7.Hey, R.D. 2006. Fluvial geomorphological methodology for natural stable channel design. J. Amer. Water Resour. Assoc. 42: 2. 357-386. 8.Hong, J.H., Goyal, M.K., Chiew, Y.M., and Chua, L.H.C. 2012. Predicting time-dependent pier scour depth with support vector regression. J. Hydrol. 468-469: 241-248.
9.Jang, J.S.R. 1993. ANFIS: Adaptive-network-based fuzzy inference systems. IEEE Trans Systems Man Cybernet. 23: 3. 665-685.
10.Julien, P.Y. 2002. River mechanics. Cambridge, UK: CambridgeUniversity Press.
11.Kakaei Lafdani, E., Moghaddam Nia, A., and Ahmadi, A. 2012. Daily Suspended Sediment Load Prediction Using Artificial Neural Networks and Support Vector Machines Machine. J. Hydrol. 478: 50-62. 12.Lee, J.S., and Julien, P.Y. 2006. Downstream hydraulic geometry of alluvial channels. Journal of hydraulic engineering. 132: 12. 1347-1352.
13.Majdzadeh Tabatabayi, M.R., Tahershamsi, A., and Shirkhani, R. 2011. Assessment regime theory to estimate the width of the permanent rivers with sand bed. Science and engineering watershed Iran. 5: 15. 33-42. (In Persian)
14.Millar, R.G., and Quick, M.C. 1998. Stable width and depth of gravel-bed rivers with cohesive banks. J. Hydr. Engin. ASCE. 124: 10. 1005-1013.
15.Misra, D., Oommen, T., Agarwal, A., Mishra, S.K., and Thompson, A.M. 2009. Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems engineering. 103: 4. 527-535.
16.Mohamed, H.I. 2013. Design of alluvial Egyptian irrigation canals using artificial neural networks method. Ain Shams Engin. J. 4: 2. 163-171.
17.Nayak, P.C., Venkatesh, B., Krishna, B., and Sharad, K. 2013. Rainfall-runoff modeling using conceptual, data driven, and wavelet based computing approach. J. Hydrol. 493: 17. 57-67. 18.Noori, R., Karbassi, A., Farokhnia, A., and Dehghani, M. 2009. Predicting the longitudinal dispersion coefficient using support vector machine and adaptive neuro-fuzzy inference system techniques. Environmental Engineering Science. 26: 10. 1503-1510.
19.Noori, R., Karbassi, A.R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M.H., and Farokhnia, A. 2011. Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. J. Hydrol. 401: 3-4. 177-189.
20.Phillips, J.D. 2012. Geomorphic responses to changes in stream flows: the flow-channel fitness model. River research and applications. 29: 9. 1175-1194.
21.Riahi-Madvar, H., Ayyoubzadeh, S.A., and Atanti, M.G. 2011. Developing an expert system for predicting alluvial channel geometry using ANN. Expert Systems with Applications. 38: 1. 215-222. 22.Sadeghpour Haji, M., Mirbagheri, S.A., Javid, A.H., Khezri, M., and Najafpour, G.D. 2014. Suspended sediment modelling by SVM and wavelet. Građevinar. 66: 3. 211-223.
23.Shoar Iman, F., and Tahershamsi, F. 2010. River flow regimes on the basis of equivalent power equation. J. School Civil Engin. Survey. 44: 1. 73-78. (In Persian)
24.Simons, D.B., and Albertson, M.L. 1963. Uniform Water Conveyance Channels in Alluvial Material. Transactions of the American Society of Civil engineers. 128: 65-107.
25.Singh, V.P. 2003. On the theories of hydraulic geometry. Inter. J. Sed. Res. 18: 3. 196-218.
26.Singh, V.P., and Zhang, L. 2008. At-a-station hydraulic geometry relations, 2: Calibration and testing. Hydrological processes. 22: 216-228.
27.Wang, L. 2005. Support Vector Machines: theory and applications. Springer, Berlin, 177p.
28.Wohl, E. 2014. Limits of downstream hydraulic geometry. Geology. 32: 10. 897-900.
29.Wohl, E.E., and Wilcox, A. 2005. Channel geometry of mountain streams in New Zealand. J. Hydrol. 300: 1-4. 252-266. 30.Xu, J. 2004. Comparison of hydraulic geometry between sand- and gravel-bed rivers in relation to channel pattern discrimination. Earth surface processes and landforms. 29: 5. 645-657. 31.Yousefi, N., Khodashenas, S.R., Pajand, H.R., and Beheshti, A.A. 2013. Using the provided within the stable channel estimation based on multivariate statistical models. J. Water Soil. 27: 6. 1270-1280. (In Persian | ||
آمار تعداد مشاهده مقاله: 1,080 تعداد دریافت فایل اصل مقاله: 851 |