• الصفحة الرئيسية
  • بررسی دقت شبکه پرسپترون چندلایه و تابع پایه شعاعی در برآورد میزان رسوب رودخانه (مطالعه موردی: زاینده رود)

شارک

عنوان URL للمقالة


رقم المقالة : JEST-2010-5208 (R2) زيارة : 123 الصفحة: 45 - 58

10.22034/jest.2021.56444.5208

نوع المخطوط: ابحاث

بررسی دقت شبکه پرسپترون چندلایه و تابع پایه شعاعی در برآورد میزان رسوب رودخانه (مطالعه موردی: زاینده رود)

الموضوعات :

رامتین صبح خیز فومنی 1 (دانشجوی دکتری گروه مهندسی عمران، دانشگاه قم، قم، ایران.)
علیرضا مردوخ پور 2 (استادیار گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد لاهیجان. *(مسوول مکاتبات))

تاريخ الإرسال : 12 الخميس , ربيع الأول, 1442 تاريخ التأكيد : 05 الأربعاء , رجب, 1442 تاريخ الإصدار : 25 الثلاثاء , محرم, 1444

الکلمات المفتاحية: منحنی سنجه, شبکه عصبی, رودخانه, رسوب گذاری,

ملخص المقالة :

زمینه و هدف: تخمین میزان رسوب به وسیله رودخانه یکی از مسائلی هست که مورد توجه محققان بسیاری از گذشته تاکنون قرار گرفته است. کاهش ظرفیت مخزن سد به وسیله رسوبات، اثرات مختلفی بر روی بخشهای مختلف گذاشته و سبب اثرات نامطلوب در حقابه هایی می شود که در بدو امر مورد توافق قرار گرفته اند که عواقب اقتصادی و خاص خود را خواهد دارد. هدف از این تحقیق بررسی میزان رسوب رودخانه با توجه به الگوریتم های شبکه عصبی و با استفاده از فرمول های تجربی موجود و همچنین روش های جدید موسوم به جعبه ی سیاه می باشد. روش و بررسی: به منظور تخمین میزان رسوب از اطلاعات دبی سال های 1349 تا 1390 مربوط به رودخانه زاینده رود در ایستگاه اسکندری که یکی از ایستگاههای اندازه گیری های هیدرولوژیکی میباشد استفاده شده است. بدین منظور از دبی آب به عنوان ورودی و دبی رسوب به عنوان خروجی استفاده شده است. یافته ها: از نتایج به دست آمده، این گونه استنباط می شود که شبکه RBF به دلیل داشتن خطای کمتر در مرحله آزمون دارای عملکرد بهتری است، اما با در نظر گرفتن سایر پارامترها و همچنین میزان خطا در مرحله ی TRAIN به نظر می رسد شبکه MLP دارای عملکرد بهتری است. بحث و نتیجه گیری: در نهایت بعد از مدل سازی با استفاده از شبکه های عصبی و رابطه انیشتین و منحنی سنجه رسوب، این نتیجه بدست آمده است که برای تخمین میزان رسوب می توان به شبکه های عصبی اعتماد بیشتری داشت.

المصادر:


  1. Avarideh F, Bani Habib, M and Taher Shamsi, A (2001), Application of Artificial Neural Networks to Estimate River Sediment Flow, Third Iranian Hydraulic Conference, Tehran, University of Tehran, Faculty of Engineering. (In Persian)
    2.
  2. Mesbahi, J, Chini, M, (1998), River Engineering Culture, Substantiation Plan of Technical Criteria and Standards of Water Industry, Ministry of Energy. (In Persian)
    3.
  3. Asselman, N. E. M. (2000). Fitting and interpretation of sediment rating curves." Journal of Hydrology 234(3–4): 228-248.
    4.
  4. Julien.P. Y. Erosion and sedimentation, (2010). Cambridge, UK: Cambridge University Press,
    5.
  5. Kisi, O., (2004), Multi-layer perceptrons with Levenberg–Marquardt training algorithm for suspended sediment concentration prediction and estimation. Hydrol. Sci. J. 49 (6), 1025–1040.
    6.
  6. Kisi, O., Yuksel, I., Dogan, E., (2008) Modelling daily suspended sediment of rivers in Turkey using several data-driven techniques. Hydrol. Sci. J. 53 (6), 1270–1285.
    7.
  7. Eivani, Z., M.M. Ahmadi and K. Qaderi. 2016. Estimation of suspended sediment load concentration in river system using Group Method of Data Handling (GMDH). Journal of Watershed Management Research, 7(13): 218-229. (In Persian)
    8.
  8. Kia, E., A. Emadi and R. Fazlola. 2015. Investigation for application of Adaptive Neuro-Fuzzy Inference System (ANFIS) in Babolroud suspended sediment load estimation. Journal of Watershed Management Research, 6(11): 15-23. (In Persian)
    9.
  9. Kitsikoudis, V. and V. Hrissanthou. 2013. Derivation of sediment transport models for sand bed rivers from data-driven techniques. InTech-Open, Chapter 11: 277-308.
    10.
  10. Harris, E.L., V. Babovic and R.A. Falconer. 2003. Velocity predictions in compound channels with vegetated floodplains using genetic programming. International Journal of River Basin Management, 1(2): 117-123.
    11.
  11. Azamathulla, H.Md. and A. Zahiri. 2012. Flow discharge prediction in compound channels using linear genetic programming. Journal of Hydrology, 454: 203-207.
    12.
  12. Kitsikoudis, V. and V. Hrissanthou. 2013. Derivation of sediment transport models for sand bed rivers from data-driven techniques. InTech-Open, Chapter 11: 277-308.
    13.
  13. Kitsikoudis, V., E. Sidiropoulos and V. Hrissanthou. 2015. Assessment of sediment transport approaches for sand-bed Rivers by means of machine learning. Hydrological Sciences Journal, 60(9): 1566-1586.
    14.
  14. Zahiri, A. and B. Dahanzadeh. 2015. Sediment transport prediction in rivers using quasi-two dimensional model. Journal of Water and Soil Conservation, 22(2): 143-158. (In Persian)
    15.
  15. Zahiri, A., F. Hashemi and I. Yousefabadi. 2016. Simulation of two-dimensional velocity distributions in rivers based on Chiu's theory (Case Study: Gorganrood River). Iranian Journal of Eco-Hydrology, 4(3): 791-802. (In Persian)
    16.
  16. Munir, S, (2011), Role of sediment transport in operation and maintenance of supply and demand based irrigation canals[D]. Doctoral Thesis, Wageningen, The Netherlands: Wageningen University
    17.
  17. Nagy, H.M., Watanabe, K., Hirano, M. (2002). Prediction of Sediment Load concentration in Rivers Using Artifical Neural Network Model.J. Hydraulic Eng.(ASCE),128(6):8-595.
    18.
  18. Sivakumar, B., Wallender, W., (2005). Predictability of river flow and suspended sediment transport in the Mississippi River basin: a non-linear deterministic approach. Earth Surf. Process. Landforms Earth Surf. Process. Landforms 30, 665–677.
    19.

 

 

 

 

 

_||_

  1. Avarideh F, Bani Habib, M and Taher Shamsi, A (2001), Application of Artificial Neural Networks to Estimate River Sediment Flow, Third Iranian Hydraulic Conference, Tehran, University of Tehran, Faculty of Engineering. (In Persian)
    2.
  2. Mesbahi, J, Chini, M, (1998), River Engineering Culture, Substantiation Plan of Technical Criteria and Standards of Water Industry, Ministry of Energy. (In Persian)
    3.
  3. Asselman, N. E. M. (2000). Fitting and interpretation of sediment rating curves." Journal of Hydrology 234(3–4): 228-248.
    4.
  4. Julien.P. Y. Erosion and sedimentation, (2010). Cambridge, UK: Cambridge University Press,
    5.
  5. Kisi, O., (2004), Multi-layer perceptrons with Levenberg–Marquardt training algorithm for suspended sediment concentration prediction and estimation. Hydrol. Sci. J. 49 (6), 1025–1040.
    6.
  6. Kisi, O., Yuksel, I., Dogan, E., (2008) Modelling daily suspended sediment of rivers in Turkey using several data-driven techniques. Hydrol. Sci. J. 53 (6), 1270–1285.
    7.
  7. Eivani, Z., M.M. Ahmadi and K. Qaderi. 2016. Estimation of suspended sediment load concentration in river system using Group Method of Data Handling (GMDH). Journal of Watershed Management Research, 7(13): 218-229. (In Persian)
    8.
  8. Kia, E., A. Emadi and R. Fazlola. 2015. Investigation for application of Adaptive Neuro-Fuzzy Inference System (ANFIS) in Babolroud suspended sediment load estimation. Journal of Watershed Management Research, 6(11): 15-23. (In Persian)
    9.
  9. Kitsikoudis, V. and V. Hrissanthou. 2013. Derivation of sediment transport models for sand bed rivers from data-driven techniques. InTech-Open, Chapter 11: 277-308.
    10.
  10. Harris, E.L., V. Babovic and R.A. Falconer. 2003. Velocity predictions in compound channels with vegetated floodplains using genetic programming. International Journal of River Basin Management, 1(2): 117-123.
    11.
  11. Azamathulla, H.Md. and A. Zahiri. 2012. Flow discharge prediction in compound channels using linear genetic programming. Journal of Hydrology, 454: 203-207.
    12.
  12. Kitsikoudis, V. and V. Hrissanthou. 2013. Derivation of sediment transport models for sand bed rivers from data-driven techniques. InTech-Open, Chapter 11: 277-308.
    13.
  13. Kitsikoudis, V., E. Sidiropoulos and V. Hrissanthou. 2015. Assessment of sediment transport approaches for sand-bed Rivers by means of machine learning. Hydrological Sciences Journal, 60(9): 1566-1586.
    14.
  14. Zahiri, A. and B. Dahanzadeh. 2015. Sediment transport prediction in rivers using quasi-two dimensional model. Journal of Water and Soil Conservation, 22(2): 143-158. (In Persian)
    15.
  15. Zahiri, A., F. Hashemi and I. Yousefabadi. 2016. Simulation of two-dimensional velocity distributions in rivers based on Chiu's theory (Case Study: Gorganrood River). Iranian Journal of Eco-Hydrology, 4(3): 791-802. (In Persian)
    16.
  16. Munir, S, (2011), Role of sediment transport in operation and maintenance of supply and demand based irrigation canals[D]. Doctoral Thesis, Wageningen, The Netherlands: Wageningen University
    17.
  17. Nagy, H.M., Watanabe, K., Hirano, M. (2002). Prediction of Sediment Load concentration in Rivers Using Artifical Neural Network Model.J. Hydraulic Eng.(ASCE),128(6):8-595.
    18.
  18. Sivakumar, B., Wallender, W., (2005). Predictability of river flow and suspended sediment transport in the Mississippi River basin: a non-linear deterministic approach. Earth Surf. Process. Landforms Earth Surf. Process. Landforms 30, 665–677.
    19.

 

 

 

 

 

سند

Sanad is a platform for managing Azad University publications

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية

حقوق هذا الموقع الإلكتروني مملوكة لنظام SANAD Press Management. © 1442-1446

الصفحة الرئيسية| دخول| معلومات عنا| اتصل بنا|
[English] [فارسی] [en] [fa]