Abstract:
تخمین صحیح مقدار رسوب و نقش آن در طراحی و مدیریت پروژه های منابع آب با در نظر گرفتن مشکلات فنی و اقتصادی ، امکان احداث و بهره برداری از ایستگاههای رسوب سنجی ، همیشه نقش حیاتی در پیشبرد صحیح مطالعات مهندسی رودخانه دارد. بنابراین ارائه راهکاری مناسب جهت برآورد دقیق بار معلق رودخانه ها بسیار سودمند خواهد بود. به علت عدم دستیابی به اطلاعات کامل و دقیق پارامترهای تاثیرگذار در فرآیند رسوب و همچنین ساختار کاملا غیرخطی برای مدل بندی آن در روش های مذکور نمی توان مدل جامعی به علت برآورد نه چندان دقیق و عدم امکان بررسی تغییرات زمانی رسوبات حمل شده توسط جریان معرفی نمود. هدف از این تحقیق ، بررسی قابلیت مدل های شبکه عصبی مصنوعی و برنامه ریزی ژنتیک به منظور پیش بینی رسوب معلق در رودخانه اهرچای می باشد. در این مدل ها برای تخمین بار معلق از دبی جریان ، بارش ، دما و داده های رسوب پیشین
استفاده شده است. این مدلها در حوضه اهرچای واقع در استان آذربایجان شرقی به کار برده شده و نتایج آن با
دادههای مشاهداتی مورد بررسی و مقایسه قرار گرفته است. به منظور ارزیابی کارایی هر یک از مدلهای فوق ،
مقادیر مشاهداتی و مقایسه آن با مقادیر محاسباتی توسط هر یک از مدلها ا،ز معیارهای ضریب تبیین (R2)
، معیار
نش- ساتکلیف (E) و جذر میانگین مربعات خطا (RMSE) استفاده گردید. در نهایت مدل برنامهریزی ژنتیک به
عنوان بهترین مدل در برآورد رسوب رودخانه اهرچای شناسایی و توصیه میشود
Machine summary:
"هدف از این تحقیق ، بررسی قابلیت مدل های شبکه عصبی مصنوعی و برنامه ریزی ژنتیک به منظور پیش بینی رسوب معلق در رودخانه اهرچای می باشد.
بنابراین هدف از این تحقیق گزینش مناسب ترین روش فراکاوشی و تأثیر عوامل موثر بارش و دما بر میزان بار معلق و نیز ارائه یک مدل کاربردی آسان به منظور برآورد نرخ انتقال رسوب رودخانه اهر چای می باشد.
کلانتری و همکاران (١٣٨٨) اقدام به ارائه یک مدل ژئومورفولوژیکی شبکه عصبی برای تخمین بار معلق حوضه نموده و بیان داشتند که شبکه عصبی مصنوعی پیش خور پس انتشار خطا با الگوریتم بهینه سازی لونبرگ - مارکوات با استفاده از خوشه بندی مکانی داده های ورودی ژئومورفولوژیکی عملکردشان بهبود یافته و قادر به تخمین زمانی و مکانی مقادیر رسوب است .
فربودنام و همکاران (١٣٨٨) پیش بینی جریان روزانه رودخانه لیقوان را با استفاده از روش برنامه ریزی ژنتیک (GP) انجام داده و نتایج را با شبکه های عصبی مصنوعی مقایسه نمودند.
آیتک و همکاران (٢٠٠٨) دو روش شبکه های عصبی مصنوعی و GP را برای مدل سازی بارش - رواناب در حوضۀ رودخانه یونیاتا در ایالت پنسیلوانیای آمریکا به کار برده و نتایج نشان داد که برنامه ریزی ژنتیک در مقایسه با شبکه های عصبی مصنوعی بهتر عمل نموده است .
در تحقیق حاضر سعی شده است تا بار رسوب معلق با استفاده از روش های فراکاوشی شبکه های عصبی مصنوعی و برنامه ریزی ژنتیک برای اولین بار در حوضه آبخیز اهرچای مدل گردیده و دقت آن ها در مدل سازی این پدیده ارزیابی و در نهایت بهترین مدل برای برآورد دبی رسوب رودخانه مهم و حیاتی اهرچای ارائه گردد."