کاربرد سامانه های هوشمند و روش های آماری در تخمین توزیع غلظت رسوبات معلق

آگاهی از توزیع عمقی رسوبات معلق در کانال ها و آبراهه های طبیعی در تخمین بار رسوبی جریان اهمیت بسیار زیادی دارد. هزینه­های زیاد و زمان بر بودن عملیات نمونه برداری از رودخانه ها و همچنین خطای قابل توجه روش ها و تجهیزات مختلف نمونه برداری، مهندسان و محققان را به سوی مدل های شبیه سازی و استفاده از روش های نوین آماری سوق داده است. در این مطالعه، برای تخمین توزیع غلظت رسوبات معلق از سه روش شبکه­های عصبی مصنوعی (ANN)، سیستم استنتاج فازی- عصبی (ANFIS) و رگرسیون خطی چندمتغیره استفاده شد. برای بررسی دقت و صحت هر روش، معتبرترین داده­های آزمایشگاهی موجود مورد استفاده قرار گرفت. پس از ارزیابی عملکرد سه روش یادشده، مشخص شد که روش شبکه عصبی مصنوعی با ضریب همبستگی ۹۹۹/۰ و RMSE برابر با ۰۴۲/۰، نسبت به روش­های دیگر برتری نسبی داشته و به خوبی قادر به برآورد توزیع غلظت رسوبات است. پس از این روش، دقت سیستم استنتاج فازی- عصبی با ضریب همبستگی ۹۹۴/۰ و RMSE برابر با ۰۴۲/۰ در مرتبه دوم قرار گرفت. با استفاده از رهیافت رگرسیون چند متغیره، دو رابطه برای جریان در بسترهای صاف و زبر ارائه شد. نتایج نشان داد که مدل رگرسیون چند متغیره کارایی کمتری نسبت به دو مدل دیگر دارد. با مقایسه این مدل ها با روابط تجربی ارائه شده، مانند معادله راوس و معادله اینشتین و شن، مشخص شد که روش های آماری توزیع غلظت رسوبات معلق را با دقت بیشتری نسبت به معادلات تجربی برآورد می کنند.

Keywords:

توزیع غلظت رسوبات معلق , سیستم استنتاج فازی- عصبی , شبکه های عصبی مصنوعی , معادله راوس , مدل رگرسیون خطی چند متغیره