ارزیابی عمکلرد روش های شبکه عصبی مصنوعی و یادگیری عمیق در تخمین بار بستر رودخانه با بستر شنی

سابقه و هدف: ارزیابی و برآورد میزان انتقال رسوب، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. تعیین میزان بار بستری که در رودخانه ها حمل می شود، به عوامل متفاوتی بستگی داشته و همین عامل باعث پیچیدگی این پدیده شده است. مطالعات انجام شده بر روی رودخانه های مختلف نشانگر این مسئله می باشد که مقدار بار بستر انتقالی در شرایط مختلف هیدرولیکی و هیدرولوژیکی متفاوت می باشد، علاوه بر این خصوصیات فیزیکی ذرات بار بستر هم تاثیر بسزایی در میزان دقت مدل های پیش بینی دارد از طرفی علیرغم تاکید بر غیرقابل اعتماد بودن معادلات تجربی که بر روی یک ناحیه خاص گسترش یافته اند، متاسفانه مطالعات محدودی بر روی تغییرات موقتی بار بستر انجام شده است. از این رو بررسی قابلیت پیش بینی این پدیده از اهمیت بالایی برخوردار می باشد. در این مطالعه سعی بر برآورد بار بستر در رودخانه های با بستر شنی با استفاده از روش های کلاسیک و هوشمند شده است. مواد و روش ها: روش های یادگیری ماشین به دلیل دقت زیاد در پیش بینی مسائل مختلف در سال های اخیر مورد توجه زیادی قرار گرفته است. از این رو در مطالعه حاضر، از دو روش شبکه عصبی مصنوعی کلاسیک (ANN) و یادگیری عمیق از نوع حافظه طولانی کوتاه مدت (LSTM) که نوعی شبکه عصبی مصنوعی با لایه ها و الگوریتم های تقویتی برای بهبود عملکرد شبکه می باشد؛ برای پیش بینی انتقال بار بستر ۱۹ رودخانه با بستر شنی استفاده شده است. برای تعریف مدل های مناسب برای شبکه ها، نتایج حاصل از ۱۰ فرمول تجربی در پیش بینی بار بستر مورد ارزیابی قرار گرفته و از پارامترهای فرمول های برتر به عنوان ورودی شبکه های هوشمند استفاده شده است.یافته ها: نتایج نشان داد همه ی فرمول های تجربی از نتایج بسیار ضعیفی برخوردار بوده اند؛ به طوری که اکثر فرمول ها، بار بستر را با شاخص اختلاف r بیشتر از ۱۰۰ پیش بینی کرده اند. با این حال روش های ماشینی با پارامترهای ورودی حاصل از فرمول ها تجربی از دقت قابل قبولی در پیش بینی بار بستر برخوردار بوده است و در مقایسه روش های ماشینی، روش LSTM نتایج دقیق تری را نسبت به روش ANN ارائه داده است. در نهایت مدل مربوط به پارامترهای فرمول بگنولد در روش LSTM با ۹۰۰/۰ DC=و ۰۲۴/۰ RMSE= برای داده های قسمت صحت سنجی برترین مدل حاصل از این تحقیق می باشد و پارامتر قطر متوسط ذرات رسوب (D۵۰) که پارامتر مشترک سه مدل برتر می باشد موثرترین پارامتر در پیش بینی بار بستر انتخاب شده است.نتیجه گیری: با وجود عملکرد خیلی ضعیف فرمول های تجربی در پیش بینی انتقال رسوب، شبکه های هوشمند با پارامترهای ورودی حاصل از فرمول های تجربی از نتایج مطلوبی برخوردار بوده اند. همچنین شبکه یادگیری عمیق LSTM نسبت به شبکه عصبی مصنوعی ANN در پیش بینی انتقال بار بستر از کارایی بالاتری برخوردار بوده که بیانگر این است که حفظ حافظه آموزش در طول روند آموزش و اضافه کردن لایه های تقویتی به شبکه، باعث بهبود عملکرد شبکه شده و دقت شبکه را در آموزش های بعدی افزایش می دهد.

Keywords:

پیش بینی رسوب , بار بستر , روابط کلاسیک تجربی , شبکه عصبی مصنوعی , یادگیری عمیق