-86935192113

4804342-346620

نشريه حفاظت منابع آب و خاك، سال دوم، شماره سوم، بهار 1392

مدل سازي بار رسوب كل رودخانهها با استفاده از شبكه هاي عصبي مصنوعي

امين فلامكي*، مهناز اسكندري2، عبدالحسين بغلاني3 و سيد احمد احمدي 4
1*) استاديار گروه مهندسي؛ دانشگاه پيام نور؛ ايران؛ نويسنده مسئول مكاتبات: [email protected]
باشگاه پژوهشگران جوان؛ دانشگاه آزاد اسلامي؛ واحد علوم و تحقيقات؛ تهران؛ ايران
استاديار دانشكده عمران و محيطزيست؛ دانشگاه صنعتي شيراز؛ ايران
كارشناس ارشد سازههاي هيدروليكي

1794442189879

تاريخ دريافت: 29/08/1391 تاريخ پذيرش: 30/11/1391

چكيده
برآورد بار رسوب كل رودخانهها از مسائل مهم و كاربردي در مديريت و برنامهريزي منابع آب است. غلظت رسوب ميتواند به روشهاي مستقيم و يا غيرمستقيم محاسبه شود كه معمولاً روشهاي مستقيم پرهزينه و زمانبر هستند. همچنين بار رسوب كل ميتواند به كمك روابط مختلف انتقال رسوب محاسبه شود، ليكن به طور معمول كاربرد اين روابط نياز به شرايط معيني داشته و به علاوه در بيشتر موارد نتايج حاصل از آنها با يكديگر و با مقادير اندازهگيري شده متفاوت است. هدف از اين پژوهش ارائه روشي بر پايه شبكههاي عصبي مصنوعي (ANN) در تخمين بار رسوب كل بود. بدين منظور از دو نوع شبكه عصبي پرسپترون چند لايه (MLP) و توابع پايه شعاعي (RBF) و 200 نمونه، استفاده شد. 75 درصد از دادهها براي آموزش و 25 درصد براي آزمون شبكهها در نظر گرفته شدند. متغيرهاي ورودي مدلها شامل
سرعت متوسط جريان، شيب كف آبراهه، عمق متوسط، عرض آبراهه و قطر ميانه ذرات رسوب و خروجي مدل، غلظت رسوب بود. متغيرهاي ورودي مرحله به مرحله به شبكهها اضافه شدند و هر بار نتايج ارزيابي شد تا مناسبترين مدل تعيين شود. سپس نتايج حاصل از مدلهاي ANN با پنج معادله معروف انتقال رسوب مقايسه شدند. شاخص هاي آماري نشان داد كه دقت شبكههاي عصبي بهويژه مدل MLP در تخمين بار رسوب كل با ضريب همبستگي 96/0 بيش از ساير مدلهاست. همچنين مشخص شد كه براي افزايش دقت مدل نياز به آموزش آن با هر دو نوع دادههاي هيدرولوژيك و رسوب است. رابطه Ackersو White در برآورد مقدار بار رسوب كل بسيار بيشبرآورد و ساير روابط، كم برآورد بودند. نتايج اين پژوهش نشان داد كه مدلهاي ارائه شده بر پايه شبكههاي عصبي با مقادير رسوب كل مشاهده شده همخواني بيشتري دارند و بويژه شبكه MLP ميتواند مقدار رسوب را در نقاط پيك به خوبي برآورد نمايد.
واژه هاي كليدي: پرسپترون چند لايه؛ توابع پايه شعاعي؛ روابط انتقال رسوب؛ غلظت رسوب كل

مقدمه
امروزه مديريت كمي و كيفي منابع آب به سبب افزايش نيازمنديها و مصرف جوامع انساني، بيش از پيش از اهميت ويژه برخوردار است (حزباوي و همكاران، 1391).
پديده فرسايش خاك و انتقال رسوب از جمله فرآيندهاي مهم هيدروديناميك هستند (بهزادفر و همكاران، 1391؛ 2102 ,.Karami et al) كه به عنوان يكي از بزرگترين چالشهاي بهرهبرداري از منابع آبهاي سطحي در جهان شناخته مي شوند (دهقاني و همكاران، 1388). ورود رسوبات معلق و مواد مغذي1 توسط رواناب به خروجي آبخيز يا سطوح اساس، يكي از مهمترين دلايل كاهش كيفيت سامانههاي آبي است (ابراهيمي محمدي وهمكاران، 1391). تخمين مقدار بار رسوب يا ميزان انتقالآن براي بسياري از كاربريها و پروژههاي منابع آب مانند طراحي سدها و حوضچههاي ذخيره آب سطحي، انتقال رسوب و آلودگي در رودخانهها و درياچهها، طراحي كانالها و نگهداري آن ها، حياتي است ( ,.Yang et al2009). اطلاعات كافي در اين زمينه به عنوان پايهاي براي پروژههاي رودخانهاي مانند برداشتن قوس رودخانهها، تنگشدگي رودخانه، كشتيراني، كنترل سيل، پسرفت آب و طراحي مخازن لازم است (ولي و همكاران، 1390).
اهميت اين مسأله باعث شده است كه تاكنون پژوهشهاي متعددي به منظور توسعه روابط نوين انتقال رسوب، بويژه بر پايه دادههاي آزمايشگاهي انجام شود، بطوري كه مي- توان دست كم 100 رابطه براي انتقال رسوب در پژوهش-هاي گذشته يافت (9002 ,.Yang et al). در بسياري از موارد نتايج حاصل از اين روابط به دليل پيچيدگي و عدم شناخت كامل و دقيق مكانيزم انتقال رسوب، با مقادير اندازهگيري شده تطابق نداشته و در مواردي نيز نتايج روابط مختلف تفاوت معني دار با يكديگر دارند (معيري و همكاران، 1389).
اين مسأله باعث شده است كه در دهه اخير پژوهشگران مختلف به سمت استفاده از روشهاي هوشمند مانند شبكههاي عصبي مصنوعي (ANN) روي آورند. كاربرد ANN اولين بار توسط French در سال 1992 در مسائل مرتبط با منابع آب مطرح شد (دهقاني و همكاران، 1388) و از آن پس در اين زمينه به صورت موفقيتآميز بكار رفته است، مانند مدلسازي بارش- رواناب، پيشبيني بارندگي، مدلسازي آبهاي زيرزميني، سريهاي زماني (ASCE, 2000b) و نيز برآورد مقدار بار معلق رسوب. Cigizoglu وKisi در سال 2006 روشهايي براي بهبود عملكرد شبكههاي عصبي در تخمين بار رسوب معلق ارائه دادند. اين پژوهشگران از مجموعه دادههاي دبي جريان و بار معلق در يك دوره 24 ساله استفاده كردند تابا ارائه روش تجزيه دادهها به گروههاي همگن در دوره هاي زماني مختلف، فرآيند يادگيري شبكه عصبي پيشنهادي خود را بهبود بخشند. Zhou و همكاران (2007) نيز از ANN براي مدلسازي برآورد مقدار رسوب معلق در رودخانهاي در چين استفاده كردند. اين پژوهش نشان داد كه شبكههاي طراحي شده اقليمي نتايج بهتري نسبت به شبكههاي طراحي شده با آمار جريان روزانه، ارائه ميكنند.
Alp و Cigizoglu (2007)، در پژوهشي از دو الگوريتم ANN شامل توابع پايه شعاعي و الگوريتم پيشخور پس انتشار براي مدلسازي بار معلق رسوب در حوزه آبخيز Juniata آمريكا استفاده كردند. براي اين مدلسازي از جريان بارندگي و دادههاي بار رسوب معلق استفاده شد. مقايسه روش ANN با روش مرسوم رگرسيون خطي چندگانه نشان داد كه مدلهاي شبكه عصبي ميتوانند مقادير مشاهداتي را با دقت بيشتري تخمين زنند. Partal و Cigizoglu در پژوهشي (2008) نشان دادند كه در تخمين مقدار بار رسوب معلق، استفاده همزمان از دو روش ANN و موجك تطابق بسيار مناسبي با دادههاي مشاهدهاي طي آزمون مدل فراهم ميسازد. اين روش ميتواند بار رسوب را بويژه در مناطق پيك بسيار نزديك به مقادير واقعي تخمين زند.
تاكنون شبكههاي عصبي مصنوعي نه تنها براي برآورد
67503658575954

سال

سال

4547218338973

سال

دوم
/

شماره
3
/

92

سال

دوم

/

شماره

3

/

92

بار رسوب به خوبي به كار رفتهاند، بلكه Rai و Mathur (2008) در پژوهش خود نشان دادهاند، با استفاده از الگوريتم پس انتشار ميتوان هيدروگراف رواناب و نمودار رسوب را بهتر محاسبه كرد. طهمورث و همكاران (1388)، با استفاده از دادههاي همزمان دبي آب و دبي رسوب ايستگاه گلينك واقع بر رودخانه طالقان، همراه با تعدادي از پارامترهاي ژئومورفولوژيك حوزه آبخيز اين رودخانه، از ANN براي مدلسازي برآورد مقدار رسوب معلق روزانه استفاده كردند. نتايج اين پژوهش نشان دهنده دقت بالاتر شبكههاي عصبي نسبت به مدلهاي رگرسيوني بود. همچنين استفاده از پارامترهاي ژئومورفولوژي موثر درتوليد رسوب در مدلسازي، باعث افزايش دقت تخمينآورد رسوب رودخانه شد. بر همين اساس ولي و همكاران (1389)، دو نوع شبكه عصبي به منظور پيشبيني بار معلق رسوب حوزه اسكندري از زير حوزههاي زايندهرود طراحي كردند كه تنها در يكي از شبكهها، از پارامترهاي ژئومورفولوژيك استفاده شد. نتايج حاصل از ANN با دو نوع رگرسيون تواني و غيرخطي چندگانه مقايسه شد. مدلها بر پايه 104 حادثه وقوع همزمان ثبت شده دبي جريان و رسوب شكل گرفتند. نتايج حاكي از آن بود كه در حجم كم داده، مدلهاي ANN طراحي شده بر پايه ويژگيهاي ژئومورفولوژيك حوزه آبخيز بهترين تخمين را نسبت به مدلهاي رگرسيوني ارائه ميدهند. دهقاني و همكاران (1389)، ضمن مقايسه شبكههاي عصبي مصنوعي با روش منحني سنجه در تخمين رسوب معلق، نشان دادند كه ANN توانايي بيشتري در پيشبيني رسوب معلق رودخانه بهشت آباد از سرشاخههاي كارون دارد. همچنين دهقاني و وفاخواه (1392)، نتايج حاصل از دو نوع ANN و منحنيهاي سنجه مختلف در حوزه آبخيز گرگانرود را بايكديگر مقايسه كردند. اين پژوهش نشان داد كه شبكه -هاي پرسپترون چندلايه با وروديهاي دبي همان روز، دبي يك و دو روز قبل نسبت به ساير روشها از دقت بالاتري در تخمين بار رسوب معلق برخوردار است. پژوهشهاي متعدد ديگري نيز نشان داده است كه برآورد رسوب معلق به كمك منحنيهاي سنجه همواره با مقداري خطا همراه است و به نظر ميرسد كه مدل شبكه عصبي مصنوعي خطاي كمتري را در مقايسه با منحني سنجه رسوب داشته باشد (مساعدي و همكاران، 1388).
هرچند در دهه اخير پژوهشهاي مختلفي در زمينه كاربرد ANN در تخمين بار معلق رسوب رودخانهها ارائه شده است، ليكن تحقيقات انجام گرفته براي پيشبيني مقدار بار رسوب كل انگشتشمار است. در اين راستا مي-توان به پژوهشهاي انجام شده توسط Dogan و همكاران (2007)، Yang و همكاران (2009) و يونسي و همكاران
(1387)، در برآورد مقدار رسوب كل با استفاده از شبكه-هاي عصبي مصنوعي اشاره كرد. شيوه مرسوم نمونهبرداري در بيشتر ايستگاههاي هيدرومتري، اندازهگيري بار معلق رسوب است. سپس بار بستر به صورت درصدي از بار معلق با توجه به شرايط ژئومورفولوژيك رودخانه تخمين زده ميشود، ليكن نتايج اين روش قابل اعتماد نيست (مساعدي و همكاران، 1388). اطلاع دقيق از مقدار بار رسوب كل رودخانه در بسياري از پروژههاي منابع آب مانند برآورد حجم رسوبگذاري در مخازن سدها ضروري است. به منظور تعيين بار كل آبراهه تاكنون رهيافتهاي متعددي ارائه شده است كه هر يك در شرايط ويژهاي قابل كاربرد هستند. تعدادي از اين روابط بر پايه بسط معادلات بار بستر ارائه شدهاند، ليكن افزونبر نياز به شرايط ويژه، مقدار محاسبه شده بار كل رسوب به كمك اين روابط معمولاً با مقدار اندازهگيري شده بار رسوب كل متفاوت است. دليل اين مسأله ميتواند تأثير بار معلق بر مقدار بار كل باشد كه معادلات ارائه شده قادر به محاسبه آن نيستند (امامي، 1379). از اين نظر نياز به ارائه روشهاي نويني است كه بتوانند مقدار بار رسوب كل را با دقت بيشتر و بينياز از وجود شرايط ويژه براي كاربرد، تخمين زنند.
هدف از اين پژوهش، بهبود تخمين مقدار بار كل رسوب رودخانهها با استفاده از شبكههاي عصبي پرسپترون چندلايه و توابع پايه شعاعي بود. همچنين با كاربرد پنج رهيافت شناخته شده انتقال رسوب كل با دادههاي مشابه با شبكهها، نتايج حاصل از آنها با نتايج ANN به كار رفته مقايسه گرديد.

مواد و روش ها
دادههاي مورد استفاده
دادههاي مورد استفاده در اين پژوهش، شامل 200 نمونه آزمايشگاهي بار كل رسوب از 7 منبع مختلف بود.
67503658575954

سال



قیمت: تومان

دسته بندی : منابع آب خاک

دیدگاهتان را بنویسید