بررسی آزمایشگاهی موقعیت تشکیل حفره آبشستگی در پایین‏دست سدها و پیش‏‌بینی آن به کمک روش‌‏های داده‏‌کاوی

آب و توسعه پایدار

مقاله 10، دوره 10، شماره 2 - شماره پیاپی 28، شهریور 1402، صفحه 99-108   

نوع مقاله: پژوهشی کاربردی

شناسه دیجیتال (DOI): 10.22067/jwsd.v10i2.2212-1194

نویسندگان

علی طاهری اقدم^{* 1}؛ عطا الله ندیری²؛ جلال شیری³

¹دانشجوی دکتری تخصصی، گروه مهندسی آب، دانشگاه تبریز، ایران

²دانشیار، گروه علوم زمین، دانشگاه تبریز، ایران

³دانشیار، گروه مهندسی آب، دانشگاه تبریز، ایران

چکیده

عوامل مختلفی بر محل تشکیل حفره آبشستگی ایجاد شده در اثر جریان‌‏های ریزشی تأثیر دارند. ازجمله این عوامل عمق پایاب، ارتفاع ریزش، سرعت جریان، سطح مقطع جریان ریزشی، زاویه برخورد جریان و میزان هوای ورودی به جریان می‏‌باشد. در تحقیق حاضر محل تشکیل حفره آبشستگی به‌‏صورت آزمایشگاهی در آزمایشگاه هیدرولیک دانشگاه تبریز بررسی شد. همچنین توانایی شبکه‏‌‏‏های عصبی مصنوعی و مدل‏‌های درختی (مدل درختی M5P) در تخمین محل ایجاد حفره آبشستگی در پایین‌‏دست سدها با استفاده از داده‏‌‏های آزمایشگاهی بررسی شده و نتایج این دو مدل با روش رگرسیونی غیر خطی چند متغیره مقایسه شد. نتایج نشان داد هر سه روش، شبکه عصبی مصنوعی، مدل درختی M5 و روش رگرسیونی نتایج نسبتاَ دقیقی را در پیش‌‏بینی محل تشکیل حفره آبشستگی ارائه م‌ی‏دهند؛ که برای مقدار RMSE،ا M5 =3.75 ،ANN =1.75 و Regression=3.89 می‌‏باشند، ولی به دلیل ارائه روابط خطی ساده توسط مدل درختی M5، این روش می‌تواند به‌‏عنوان روشی کاربردی برای تعیین محل تشکیل حفره آبشستگی مورد استفاده قرار گیرد. تحلیل مدل درختی M5 نشان داد که 4 رابطه با معادلات خطی متفاوت، الگوی تغییرات محل تشکیل حفره آبشستگی را مدل می‏‌کنند. علاوه‌‏براین، تجزیه و تحلیل نتایج آزمایشگاهی نشان داد روابط رگرسیونی ارائه شده در تحقیق حاضر نسبت به روش رایج (استفاده از معادلات پرتابه)، خطای خیلی کمتری در هنگام پیش‏‌بینی محل تشکیل حفره آبشستگی دارند. همچنین نتایج آزمایشگاهی نشان داد ارتفاع آب گذرنده از روی سازه موثرترین پارامتر در محل تشکیل حفره آبشستگی می‏‌باشد.

کلیدواژه‌ها

حفره آبشستگی؛ مدل درختی M5؛ شبکه‏های عصبی مصنوعی؛ جریان ریزشی؛ معادلات پرتابه

مراجع

حسینی، خسرو، نوخاسته، حامد، کرمی، حجت، و سلامتیان، سید امین. (1395). مطالعه عددی آب‌شستگی جت ریزشی آزاد. مهندسی عمران فردوسی، 28(2), 9-22، . doi: 10.22067/civil.v28i2.36669
سلماسی، فرزین، نهرین، فرناز، و طاهری اقدم، علی. (1401). استفاده از شبکه عصبی مصنوعی و مدل درختی M5 برای تعیین ضریب دبی سرریز لبه پهن مستطیلی .نشریه مهندسی عمران امیرکبیر، 54(12)، 4458-4435. doi: 10.22060/ceej.2022.18990.7021
شریف زاک، مسعود، و بارانی، غلام‌عباس. (1390). پیش بینی دبی جریان در کانال‏های مرکب با استفاده ازالگوریتم شبکه‏‌های عصبی. اولین کنفرانس ملی عمران توسعه. دانشگاه آزاد اسلامی زیباکنار، رشت، ایران.
صبا، حمیدرضا، کمالیان، محسن، و رئیسی‌زاده، احسان. (1397). تعیین آستانه لغزش پایداری شیروانی و بهینه یابی حجم عملیات خاکریزی سد خاکی همگن با استفاده از ترکیب شبکه عصبی و الگوریتم ژنتیک. نشریه مهندسی عمران امیرکبیر، 50(4)، 747-754. doi:10.22060/ceej.2017.11051.4965
طاهری اقدم، علی، نورانی، بهرام، ارونقی، هادی، و سلماسی، فرزین. (1400). محاسبه ارتفاع آبشار در پایین‌دست سرریزهای اوجی جهت کنترل پرش هیدرولیکی. مدل‏سازی و مدیریت آب و خاک، 1(1)، 1-12. doi: 10.22098/MMWS.2021.1174
فلاحی، محمد  رضا،  وروانی، هادی، و گلیان، سعید. (1390). پیش‏بینی بارش با استفاده از مدل رگرسیون درختی به‌‏منظور کنترل سیل. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور. انجمن مهندسی آبیاری و آب ایران، کرمان، ایران. 
کانتاردزیک، مهمد. (1392). داده کاوی. مترجم: امیر علیخوان زاده. انتشارات علوم رایانه. چاپ اول. مشهد، ایران.
Bhattacharya, B., & Solomatin, D.P. (2004). Neural networks and M5 model trees in modeling water level-discharge relationship. Neurocomputing. 63, 381-396. https://doi.org/10.1016/j.neucom.2004.04.016
He, Y., Zhu, D.Z., Zhang, T., Shao, Y., & Yu, T. (2017). Experimental observations on the initiation of sand-bed erosion by an upward water jet. Journal of Hydraulic Engineering, 143(7). 06017007. https://doi.org/10.1061/(ASCE)HY.1943-7900.0001302
Hall, m., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witen, L.H. (2009). The WEKA Data Mining Software: An Update. ACM SIGKDD Explorations Newsletter, 11(1), 10-18.
Karamigolbaghi M., Ghaneeizad S.M., Atkinson J.F., Bennett S.J. and Wells R.R. (2017). Critical assessment of jet erosion test methodologies for cohesive soil and sediment. Geomorphology,  295, 529-536. https://doi.org/10.1016/j.geomorph.2017.08.005
Mason P.J. (1983). Energy dissipating crest splitters for concrete dams, Water Power and Dam Construction, 35(10), 37-40.
Pagliara, S., Roy, D., & Palermo, M. (2009). 3D plunge pool scour with protection measures, Journal of Hydro-environment Research., 4, 225-233. https://doi.org/10.1016/j.jher.2009.10.014
Pal, M., (2006). M5 model tree for land cover classification. International Journal of Remote Sensing, 27(4), 825-831. https://doi.org/10.1080/01431160500256531
Sattari, M.T., Anli, A.S, Apaydin, H. & Kodal, S. (2012). Decision trees to determine the possible drought periods in Ankara. Atmosfera, 25, 65-83.
Salmasi, F., Nouri, M., Sihag, P. & Abraham, J. (2021). Application of SVM, ANN, GRNN, RF, GP and RT models for predicting discharge coefficients of oblique sluice gates using experimental data, Water Supply, 21(1), 232–248. https://doi.org/10.2166/ws.2020.226
Solomatine, D.P., & Xue, Y. (2004). M5 model trees and neural networks: Application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering, 9, 491–501. doi: 10.1061/(ASCE)1084-0699(2004)9:6(491)
United States Bureau of Reclamation (USBR). (1960). Design of small dams. United States Department of the Interior, United States Government Printing Office. 1st Ed. Denver, 282–291.