تخمین بار معلق رسوبی با استفاده از روش‌های هوشمند تلفیقی با در نظر گرفتن عدم قطعیت مدل

آب و خاک

مقاله 2، دوره 35، شماره 4 - شماره پیاپی 78، مهر و آبان 1400، صفحه 475-488   

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.2021.68665.1021

نویسنده

سیدمهدی ثاقبیان^*

گروه عمران، دانشکده فنی و مهندسی، واحد اهر، دانشگاه آزاد اسلامی، اهر - ایران

چکیده

پیش­بینی دبی رسوبی با دقت بالاتر، از مهم­ترین مولفه­های فرآیندهای هیدرولوژیکی در مدیریت منابع آب می­باشد. به دلیل پیچیدگی پدیده انتقال رسوب و وجود چندین پارامتر موثر در تخمین آن، تعیین روابط حاکم مشکل می­باشد. این تحقیق به منظور ارائه مدل بهینه برآورد بار رسوب معلق در دو ایستگاه هیدرومتری متوالی یک رودخانه طبیعی انجام گرفته است. در این راستا، جهت کاهش مقدار خطا در پیش­بینی دبی رسوبی از روش­های پیش­پردازش سری زمانی به همراه روش­های هوشمند مبتنی بر کرنل ماشین بردار پشتیبان  (SVM)و رگرسیون فرآیند گاوسی (GPR) استفاده شده است. دو سناریو بررسی دبی رسوب معلق برای حالت تک ایستگاهی و ارتباط بین ایستگاهی در نظر رفته شد و مدل­های متفاوتی بر اساس مشخصات هیدرولیکی و ذرات رسوبی تعریف گردید و مورد ارزیابی قرار گرفت. در استفاده از روش­های پیش‌پردازش، ابتدا روش تبدیل موجک (WT) به­کار رفت، سپس زیر سری‌های با فرکانس بالای بدست آمده از روش WT با روش ﺗﺠﺰﯾﻪ ﻣﺪ ﺗﺠﺮﺑﯽ (EMD) دوباره تجزیه گردیدند. در نهایت زیر سری­های تاثیرگذار به‌عنوان ورودی مدل­های مبتنی بر کرنل استفاده شدند. نتایج حاصل از تحلیل مدل­های تعریف‌شده، دقت بالای روش­های تلفیقی به­کار رفته در تحقیق را در تخمین رسوب معلق به خوبی نشان داد. نتایج نشان داد که در حالت اول، مقدار معیار خطا برای مدل برتر به ترتیب از 0.035 و 0.037 برای روش­های GPR و SVM به 0.28 و 0.29 برای مدل­های تلفیقی کاهش یافت. به طور کلی، مدل­های ترکیبی دقت مدل­سازی را بین 20 تا 25 درصد افزایش دادند. جهت ارزیابی قابلیت اطمینان مدل برتر، از تحلیل عدم قطعیت مونت کارلو استفاده شد و نتایج نشان داد که مدل GPR دارای درجه عدم اطمینان مطلوبی در مدل­سازی است.

کلیدواژه‌ها

پیش پردازش؛ تجزیه مد تجربی؛ رگرسیون فرآیند گاوسی؛ رسوب معلق

مراجع

1- Adamowski K., Prokoph A., and Adamowski J. 2009. Development of a new method of wavelet aided trend detection and estimation. Hydrology Process 23(18): 2686–2696.

2- Amirat Y., Benbouzidb M., Wang T., Bacha K., and Feld G. 2018. EEMD-based notch filter for induction machine bearing faults detection. Applied Acoustics 133: 202–209.

3- ASCE, Task Committee on Application of Artificial Neural Networks in Hydrology. 2000. Artificial Neural Networks in hydrology. I: Preliminary concepts. Hydrological Engineering, ASCE 5(2): 115-123.

4- Asheghi R., Hosseini S.A., and Sanei M. 2021. Intelligent hybridized modeling approach to predict the bedload sediments in gravel-bed rivers. Modeling Earth Systems and Environment 8: 1-10.

5- Bahmani R., and Ouarda T.B. 2021. Groundwater level modeling with hybrid artificial intelligence techniques. Journal of Hydrology 595: 125659.

6- Chou C. 2011. Complexity analysis of rainfall and runoff time series based on sample entropy in different temporal scales. Stochastic Environmental Research and Risk Assessment 6: 1401–1408.

7- Heydari M., Shabanlou S., and Sanahmadi B. 2020. Self-adaptive extreme learning machine-based prediction of roller length of hydraulic jump on rough bed. ISH Journal of Hydraulic Engineering 45: 1-11.

8- Kemp P., Sear D., Collins A., Naden P., and Jones I. 2011. The impacts of fine sediment on riverine fish. Hydrological Processes 25: 1800–1821.

9- Lau KM., and Weng HY. 1995. Climate signal detection using wavelet transform, How to make time series sing. Bulletin of the American Meteorological Society 76: 2391-2402.

10- Maroufpour S., Maroufpoor E., and Sanikhani H. 2018. Monthly Evapotranspiration Modeling in the Absence of Climatic Data Using the Soft Computing Methods in West and Northwest of Iran. Water Resource Engineering 10(34): 37-50. (In Persian with English abstract)

11- Najah A., El-Shafie A., Karim OA., Jaafar O., and El-Shafie AH. 2011. An application of different artificial intelligences techniques for water quality prediction. International Journal of Physical Sciences 6: 5298–5308.

12- Noori R., Deng Z., Kiaghadi A., and Kachoosangi F.T. 2015 How reliable are ann, anfis, and svm techniques for predicting longitudinal dispersion coefficient in natural rivers?. Hydraulic Engineering 142(1): 04015039.

13- Nourani V., Alizadeh F., and Roushangar K. 2016. Evaluation of a two-stage SVM and spatial statistics methods for modeling monthly river suspended sediment load. Water Resources Management 30(1): 393-407.

14- Roushangar K., and Ghasempour R. 2019. Investigation of the Performance of Classical and Artificial Intelligence Approaches in Prediction of Roughness Coefficient in Meanders. Iranian Journal of Irrigation and Drainage 12(4): 811-822. (In Persian with English abstract)

15- Siviapragasam C., and Liong S. 2001. Rainfall and runoff forcasting with SSA-SVM approach. Hydroinformation 3(5): 141-152.

16- Vapnik V. 1995. The Nature of Statistical Learning Theory. Data Mining and Knowledge Discovery, pp. 1–47.

17- Wu Z., and Huang N. 2004. A study of the characteristics of white noise using the empirical mode decomposition method, Proc RS Lond 460A: 1597–1611.

18- Zhou Y., Lu X., Huang Y., and Zhu Y. 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the upper Yangtze catchment. China Geomorphology 84: 111-125.