ارائه روشی مبتنی بر هیدرولیک جریان و مدل یادگیری ماشین برای پیش بینی دبی سیلاب رودخانه ها
عنوان مقاله: ارائه روشی مبتنی بر هیدرولیک جریان و مدل یادگیری ماشین برای پیش بینی دبی سیلاب رودخانه ها
شناسه ملی مقاله: JR_JWMR-14-28_009
منتشر شده در در سال 1402
شناسه ملی مقاله: JR_JWMR-14-28_009
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:
فاطمه شیرازی - Water Structures, Department of Water Engineering, University of Agricultural Sciences and Natural Resources, Gorgan
عبدالرضا ظهیری - Department of Water Engineering, University of Agricultural Sciences and Natural Resources, Gorgan
جمشید پیری - Department of Water Engineering, University of Zabol
امیر احمد دهقانی - Department of Water Engineering, University of Agricultural Sciences and Natural Resources, Gorgan
خلاصه مقاله:
فاطمه شیرازی - Water Structures, Department of Water Engineering, University of Agricultural Sciences and Natural Resources, Gorgan
عبدالرضا ظهیری - Department of Water Engineering, University of Agricultural Sciences and Natural Resources, Gorgan
جمشید پیری - Department of Water Engineering, University of Zabol
امیر احمد دهقانی - Department of Water Engineering, University of Agricultural Sciences and Natural Resources, Gorgan
چکیده مبسوط
مقدمه: تخمین صحیح دبی جریان سیلاب در رودخانهها موضوع مهمی بوده و نقش قابلتوجهی در استفاده بهینه از منابع آب، بهرهبرداری از مخازن سدها و نیز طراحی و برنامه ریزی پروژه های آبی ایفا می کند.
مواد و روش ها: در این تحقیق برای تخمین دبی سیلاب، از روشی ساده و مفهومی براساس معادله مانینگ تحت شرایط واقعی جریان استفاده شده است. در این روش، ابتدا برای تاثیر توام شیب انرژی و ضریب زبری مانینگ، پارامتر آلفا (α) تعریف شده و برای ۱۲ ایستگاه هیدرومتری واقع در سه رودخانه اصلی استان گلستان (شامل گرگانرود، اترک و قرهسو) محاسبه شد.
یافته ها: نتایج نشان داد که مقدار این پارامتر با افزایش عمق جریان کاهش یافته و در نهایت بهصورت مجانب تقریبا به یک مقدار ثابت میرسد. این رفتار نشان می دهد که به ازاء عمق های زیاد جریان در رودخانه که بیانگر وقوع سیلاب می باشد، مقدار α ثابت شده و با استفاده از این عدد ثابت و نیز معادله مانینگ، میتوان دبی سیلاب رودخانه را برآورد نمود. در گام بعدی، سعی شد بین این پارامتر و عمق جریان، یک رابطه رگرسیونی ارائه شود. نتایج مدلسازی رگرسیونی نشان داد که برای اغلب ایستگاه های هیدرومتری، ضریب تعیین (R۲) روابط ارائه شده کوچکتر از ۰/۳ بوده و دارای کارایی لازم نیست. بههمین دلیل برای بیان این ارتباط با کارایی و دقت بیشتر، از مدل های یادگیری ماشین استفاده شد. به این منظور پارامتر α بهکمک مدلهای شبکه عصبی (ANN)، درخت تصمیم (M۵tree) و ماشین بردار رگرسیونی (SVR) مدلسازی شد.
نتیجه گیری: نتایج مدلسازی نشان داد که مدل درخت تصمیم با میانگین خطای مطلق ۰/۳۵، ضریب تعیین ۰/۸۸ و خطای میانگین جذر مربعات ۰/۸۶ در مرحله آزمون بهترین دقت را دارا می باشد. بعد از تعیین پارامتر α، مقدار دبی سیلاب پیشبینی گردید.
بهترین عملکرد در بین مدلها را درخت تصمیم در پیشبینی دبی جریان در رودخانهها دارا بود،
که پس از مقایسه با مقادیر مشاهداتی، مدل درخت تصمیم با میانگین خطای مطلق ۱/۳۲، ضریب تعیین ۰/۸۹ و خطای میانگین جذر مربعات ۳/۶۳ در مرحله آزمون بهترین دقت را دارا میباشد.
کلمات کلیدی: Flood Discharge, Manning Roughness Coefficient, Machine Learning Models, Regression Model, دبی سیلاب, ضریب زبری مانینگ, مدل رگرسیونی, مدل یادگیری ماشین
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1882632/