ارزیابی عملکرد روش های داده گرا در تخمین بار کل رسوبی رودخانه های شنی
Publish Year: 1398
Type: Journal paper
Language: Persian
View: 174
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_IJSWR-50-6_014
Index date: 24 May 2023
ارزیابی عملکرد روش های داده گرا در تخمین بار کل رسوبی رودخانه های شنی abstract
انجام مطالعات فراوان در رابطه با انتقال رسوب و به ویژه پیشبینی این پدیده نشانگر اهمیت بسیار بالای آن در علوم مرتبط با مهندسی و مدیریت منابع آب میباشد. در این بین روشهای هوشمند در سالهای اخیر به طور موفقیت آمیزی در پیشبینی بار بستر، بار معلق و همچنین بار کل رسوب به کار گرفته شده است. با این حال با توجه به کمبود دادههای مرتبط به بار کل برای رودخانههای با بستر شنی، مطالعات انجام گرفته در این راستا محدود میباشد. هدف از تحقیق حاضر استفاده از روشهای قدرتمند ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون فرآیند گاوسی به منظور پیشبینی بار کل رسوب در ۱۹ رودخانه شنی واقع در ایالات متحده آمریکا و مقایسه نتایج حاصل با روشهای کلاسیک مرسوم میباشد. بدین منظور پارامترهای بدون بعد مختلفی مبتنی بر هیدرولیک جریان و مشخصات رسوب تعریف و عملکرد روشهای مذکور مورد ارزیابی قرار گرفت. با توجه به نتایج به دست آمده شبکه عصبی مصنوعی با دارا بودن ضریب همبستگی و معیار ناش- ساتکیف به ترتیب برابر با ۹۵۲/۰ R= و ۹۰۳/۰ NSE= برای دادههای صحتسنجی از عملکرد بهتری نسبت به دو روش دیگر برخوردار میباشد. در نهایت با انجام تحلیل حساسیت، پارامتر نسبت سرعت متوسط به سرعت برشی جریان به عنوان تاثیرگذارترین پارامتر در پیشبینی بار کل رسوب معرفی شد.
ارزیابی عملکرد روش های داده گرا در تخمین بار کل رسوبی رودخانه های شنی Keywords:
ارزیابی عملکرد روش های داده گرا در تخمین بار کل رسوبی رودخانه های شنی authors
کیومرث روشنگر
Associate Professor, Department of Civil Engineering, University of Tabriz, Tabriz, Iran
سامان شهنازی
Department of water engineering, Faculty of civil engineering, University of Tabriz, Tabriz, Iran
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 :