عنوان پایان‌نامه
ارائه مدلی تجربی بر مبنای روشهای رگرسیونی و بهینه سازی بمنظور تخمین ضریب انتشار طولی در رودخانه های طبیعی
- رشته تحصیلی
- مهندسی محیط زیست -منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده محیط زیست شماره ثبت: ENV 1332;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 70893
- تاریخ دفاع
- ۲۳ شهریور ۱۳۹۴
- دانشجو
- بهزاد قیاسی
- استاد راهنما
- عبدالرضا کرباسی, روح اله نوری
- چکیده
- با وجود مطالعات متنوع در زمینه پیش‌بینی ضریب انتشار طولی (LDC) در رودخانه‌های طبیعی، فقدان مطالعه‌ای جامع جهت بررسی اثر الگوهای متنوع از پارامترهای هیدرولیکی و هندسی بر این پدیده احساس می‌شود. همچنین عدم دقت مناسب مدل‌های ارائه شده برای پیش‌بینی LDC یا کاربرپسند نبودن برخی آنها از دیگر چالش‌های موجود در این زمینه می‌باشد. بنابراین هدف اصلی این تحقیق بررسی الگوهای متنوع پیش‌بینی LDC با استفاده از تحلیل رگرسیونی قرار داده شد. برای این منظور مراحل واسنجی و صحت‌سنجی مدل‌های تخمین LDC با استفاده از الگوهای متنوعی از اطلاعات هیدرولیکی و هندسی چندین رودخانه در آمریکا انجام پذیرفت. نتایج این تحقیق مشخص نمود که از بین الگوهای متنوع ورودی، الگوی شامل پارامتر انحنای رودخانه دارای بهترین عملکرد برای مدل پیش‌بینی LDC بود هرچند که دبی تأثیری بر عملکرد مدل نداشت. همچنین با حذف عدد ثابت از معادله بدست آمده، عملکرد مدل بهبود یافت. مدل مذکور در مراحل واسنجی و صحت‌سنجی از ضریب تعیین (R2) به ترتیب معادل 993/0 و 938/0 برخوردار بود. پس از بدست آوردن بهترین ترکیب ورودی پارامترها، روشهای رگرسیون حداقل مربعات، رگرسیون پایدار و الگوریتم ژنتیک برای تعیین ضرایب مجهول معادله مورد استفاده قرار گرفت. در نهایت بر مبنای مقایسه بین مدل‌های توسعه داده شده در این تحقیق و دیگر مطالعات، مشخص گردید که این مدل‌ها از عملکرد به مراتب بهتری نسبت به دیگر مدل‌ها برای تخمین LDC برخوردار هستند.
- Abstract
- Although different studies have been carried out on estimating Longitudinal Dispersion Coefficient (LDC) in natural rivers, the absence of comprehensive study to investigate the effects of different patterns of dimensionless hydraulic and geometric parameters on LDC is still felt. Another challenge is the inaccuracy and less user-friendliness of the provided models to predict LDC. Thus, the main objective of this study is to investigate different types of LDC prediction by regression analysis. For this purpose, calibration and test steps were carried out, using various patterns of hydraulic and geometric data of few rivers in the United States of America. Results show that the pattern including the river curvature parameter has the best performance for LDC prediction model, while discharge parameter didn’t have much effect on the prediction model and if we eliminate constant number from the equation, model’s performance reform. The correlation coefficients (R2) of calibration and test stages are 0.993 and 0.938, respectively. The Least Square Regression, Robust Regression and Genetic Algorithm has been used for determining unknown coefficients of the equation. Finally, the comparison of the developed models with past studies reveals that these models have better performance in LDC estimation.
