مریم اسدی؛ علی فتح‌زاده
چکیده
آگاهی از میزان رسوب معلق رودخانه‌ها یکی از مسائل اساسی در پروژه‌های آبی است که طراحان تأسیسات آبی همواره با آن روبرو بوده‌اند. با توجه به صرف هزینه و زمان طولانی جهت اندازه‌گیری بار معلق رودخانه‌ها، استفاده از منحنی‌های سنجۀ رسوب معمول‌ترین روش برآورد بار رسوب معلق رودخانه‌ها محسوب می‌گردد. این در حالی است که روش‌های نوین ...
بیشتر
آگاهی از میزان رسوب معلق رودخانه‌ها یکی از مسائل اساسی در پروژه‌های آبی است که طراحان تأسیسات آبی همواره با آن روبرو بوده‌اند. با توجه به صرف هزینه و زمان طولانی جهت اندازه‌گیری بار معلق رودخانه‌ها، استفاده از منحنی‌های سنجۀ رسوب معمول‌ترین روش برآورد بار رسوب معلق رودخانه‌ها محسوب می‌گردد. این در حالی است که روش‌های نوین مبتنی بر هوش مصنوعی و داده‌کاوی در بسیاری از علوم مهندسی رخنه کرده است. بر همین اساس هدف اصلی این تحقیق به چالش کشیدن توانمندی روش کلاسیک برآورد بار معلق در مقایسه با برخی روش‌های نوظهور می‌باشد. ما در این پژوهش شش مدل،K نزدیک‌ترین همسایه، شبکۀ عصبی پس انتشار خطا، فرآیند گوسی، درخت تصمیم‌گیری M5، ماشین‌بردار پشتیبان و ماشین‌بردار پشتیبان تکاملی را انتخاب و به مقایسۀ آنها با مدل سنجۀ رسوب در هشت حوزۀ آبخیز واقع در استان گیلان پرداختیم. طول دوره آماری داده‌های ورودی به مدل‌ها به صورت روزانه و 30 ساله در نظر گرفته شد. ارزیابی نتایج حاصله نشان داد مدل فرآیند گوسی در مقایسه با سایر مدل‌ها، با کمترین مجموع مربعات باقیمانده (RMSE) (متوسط مجموع مربعات باقی مانده= 05/37 در هشت حوزه) و بیشترین ضریب همبستگی (r) (متوسط ضریب همبستگی 72/0 در هشت حوزه) و با بهترین ضریب ناش- ساتکلیف (متوسط 66/0 در هشت حوزه) نسبت به سایر مدل‌ها از کارآیی بیشتری برخوردار است. لذا استفاده از مدل‌های مذکور به جای روش‌های معمول برآورد بار معلق می‌تواند دقت این برآوردها را به میزان قابل ملاحظه‌ای بهبود بخشد.
