چکیده:
به دلیل مشکلات نمونهبرداری و عدم دقّت کافی معادلات تجربی، سنجش و گزینش مناسبترین روشهای برآورد رسوبات بار کف، اهمّیّت زیادی دارد. هدف پژوهش حاضر، مقایسة کارآیی مدلهای آماری شبکة عصبی مصنوعی و منحنی سنجة رسوب در برآورد رسوبات بار کف است؛ بدین منظور، ابتدا 5 ایستگاه هیدرومتری دارای بیشترین تعداد نمونه انتخاب شدند؛ سپس منحنی سنجة رسوب و مدل شبکة عصبی مصنوعی با 70% دادههای آنها ساخته و ارزیابی دقّت برآورد دو مدل با 30% باقیماندة نمونهها انجام شد. نتایج نشان داد که در تمامی ایستگاهها، با افزایش مقادیر دبی جریان، رسوبات بار کف نیز افزایش مییابد. میانگین سطح معنیداری تفاوت بین مقادیر مشاهداتی و برآوردی مدل شبکة عصبی مصنوعی (59/0) بالاتر از مدل منحنی سنجة رسوب (14/0) است که نشاندهندة تفاوت کمتر مقادیر مشاهداتی و برآوردی مدل شبکة عصبی مصنوعی نسبت به مدل منحنی سنجة رسوب و صحّت بیشتر برآوردهای مدل شبکة عصبی مصنوعی است؛ همچنین در تمام ایستگاهها، شاخص مجذور میانگین مربعات خطا برای مدل شبکة عصبی مصنوعی کمتر از مدل منحنی سنجة رسوب است، به طوری که مجموع مجذور میانگین مربعات خطای پنج ایستگاه برای مدل شبکة عصبی مصنوعی و منحنی سنجة رسوب به ترتیب برابر 7/2505 و 3/5195 محاسبه شد. بالاتر بودن ضریب همبستگی بین مقادیر مشاهداتی و برآوردی در هر پنج ایستگاه، با استفاده از مدل شبکة عصبی مصنوعی (765/0) نسبت به مدل منحنی سنجة رسوب (5038/0)، نشان از تخمینهای دقیقتر مدل شبکة عصبی مصنوعی دارد. در نهایت، مدل شبکة عصبی مصنوعی که از دقّت بالاتری نسبت به مدل سنجة بار کف برخوردار است، به عنوان مدل برتر انتخاب شد. با توجّه به مشکلات اندازهگیری رسوبات بار کف و اریب زیاد ناشی از محاسبة بار بستر به عنوان درصدی از بار معلّق، نتایج این پژوهش میتواند کمک شایانی به برآورد دقیقتر بار بستر و نیز بار کلّ رسوبی نماید.
Evaluation and selection of the most appropriate methods for bed-load estimation is necessary because of the sampling difficulties and inaccurate estimations of the empirical equations. The present study aims to compare the efficacy of ANN and SRC statistical models to estimate the bed-load sediments. Collecting bed-load measurement data and their respective discharges, 5 stations with the highest number of samples were selected. Then, SRC and ANN models were developed. Finally, the estimations of two models were compared with observed values using correlation coefficient and RMSE indices. The results showed that bed-load has been increased by increasing the amount of flow rate in all hydrometric stations. Significant level of difference between observed and estimated values of the ANN model (0.592) is greater than the SRC model (0.144). This means that observed and estimated values of the ANN model are closer together than SRC model, so estimations of ANN model are more accurate. The Root Mean Square Error index (RMSE) for ANN model is also smaller than the SRC model in all stations, so that the sum of five stations RMSE for ANN and SRC models were 2505.7 and 5195.3 respectively. The correlation coefficients of the ANN model are greater than SRC model in all stations. The greater average of correlation coefficients of five stations using ANN model (0.765) than the SRC model (0.503) indicate that ANN model has more accurate estimations. Finally, ANN model was selected as more appropriate model to estimate bed-load sediments. Regarding the measurement problems of bed-load, our results can lead to making more accurate estimations of bed-load and total sediment load.
خلاصه ماشینی:
حتی دادههای بار کف جمعآوریشده توسط انواع مختلف نمونهگیر بار کف، قابلیت مقایسه با یکدیگر را ندارند (چیلدرز 11 ، 1999: 126؛ ادوارد و گلیسون 12 ، 1999: - Pektas & Dogan - Suspended load - Bed load - Belperio - Sediment Rating Curve (SRC) - Habersack - Gomez & Church - Barry - Kitsikoudis - McLean - Childers - Edward & Glysson 79؛ گری 1 و همکاران، 1991).
- Gray - Meyer-Peter & Müller - Toffaleti & Einstein Ackers-White - Nero-Fuzzy (NF) - Multiple Linear Regression (MLR) - Artificial Neural Networks (ANN) - Claude - Spiliotis استفاده از رابطة حاصل میزان بار کف برای 30% باقیماندة نمونهها برآورد گردید و ارزیابی دقت برآورد این روش با استفاده از مقادیر برآوردی بار کف و مقایسة آنها با مقادیر متناظر مشاهدهای انجام شد.
ضرایب همبستگی بین مقادیر برآوردی مدل شبکة عصبی مصنوعی و مشاهدهای بار کف که با استفاده از 30% باقیماندة نمونههای هر ایستگاه به دست آمده، در شکل 6 ارائه شده است.
نتایج مربوط به آزمون تی مستقل و سطوح معنیدار بودن تفاوت بین مقادیر مشاهداتی و برآوردی مدلها و نیز نتایج ارزیابی دقت مدل منحنی سنجة رسوب بار کف و شبکة عصبی مصنوعی برای هر ایستگاه که با استفاده از 30% دادهها که نقشی در ساختن مدل نداشتند در جدول 4 ارائه شده است.
(1989) An Assessment of Bed Load Sediment Transport Formulae for Gravel Bed Rivers, Water Resources Research, 25, pp.