تخمین بار معلق رسوبی با استفاده از روش های هوشمند تلفیقی با در نظر گرفتن عدم قطعیت مدل
Publish place: Journal of Water and Soil، Vol: 35، Issue: 4
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 283
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JSW-35-4_002
تاریخ نمایه سازی: 1 آذر 1400
Abstract:
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 پیش پردازش، ابتدا روش تبدیل موجک (WT) بهکار رفت، سپس زیر سری های با فرکانس بالای بدست آمده از روش WT با روش تجزیه مد تجربی (EMD) دوباره تجزیه گردیدند. در نهایت زیر سریهای تاثیرگذار به عنوان ورودی مدلهای مبتنی بر کرنل استفاده شدند. نتایج حاصل از تحلیل مدلهای تعریف شده، 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 ۰.۰۳۵ و ۰.۰۳۷ برای روشهای GPR و SVM به ۰.۲۸ و ۰.۲۹ برای مدلهای تلفیقی کاهش یافت. به طور کلی، مدلهای ترکیبی دقت مدلسازی را بین ۲۰ تا ۲۵ 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.
Keywords:
Authors
سیدمهدی ثاقبیان
گروه عمران، دانشکده فنی و مهندسی، واحد اهر، دانشگاه آزاد اسلامی، اهر - ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :