عنوان پایان‌نامه
تخمین دبی رسوبی رودخانه با استفاده از شبکه عصبی مصنوعی
- رشته تحصیلی
- مهندسی عمران - مهندسی آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1089;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 37540
- تاریخ دفاع
- ۱۰ بهمن ۱۳۸۶
- دانشجو
- محسن محمدزمانی
- استاد راهنما
- سیدتقی امید نائینی
- چکیده
- برآورد بار رسوبی برای طیف وسیعی از مسائل طراحی و قضاوت های مهندسی از قبیل طراحی مخازن و سدها، انتقال رسوب و آلودگی در رودخانه ها، دریاچه ها و مصب ها، طراحی کانالهای بتنی، بندها و حوضچه های رسوب گیر، مسیل ها و ارزیابی اثرات زیست محیطی مورد نیاز می باشد. تاکنون تعداد زیادی از مدل های فیزیکی و تجربی جهت برآورد بار رسوبی مورد استفاده قرار گرفته است، اما دقت نتایج این مدل ها از نظر منطبق بودن با واقعیت سوال بر انگیز می باشد. اخیراً روش شبکه عصبی مصنوعی در شاخه های مختلف علمی به کار گرفته شده است. این روش یک مدل غیرخطی می باشد و به نظر می رسد روش مفیدی برای تخمین بار رسوبی باشد. مزیت اصلی این روش بر روشهای سنتی اینست که نیازی به توضیح و تشریح کامل ماهیت پیچیده دخیل در فرآیند انتقال رسوب ندارد. تحقیق حاضر کارائی روش شبکه عصبی را بر حمل رسوب، به وسیله الگوریتم پس انتشار با استفاده از نرم افزار Qnet ارزیابی می کند. هدف از این تحقیق تخمین دبی رسوبی کل در رودخانه ها می باشد. در قسمت اول این تحقیق ابتدا پارامترهای بی بعد تعدادی از فرمول های معروف رسوبی استخراج شده و سپس داده های پنج رودخان? می سی سی پی، کلورادو، لئو، لوپ و های، به صورت بی بعد بدست آمد. این پارامترها به عنوان ورودی شبکه عصبی مورد استفاده قرار گرفت. از پارامترهای بی بعد مدل های مختلفی از شبکه عصبی مصنوعی ایجاد شد. همچنین در این تحقیق، از آنالیز حساسیت برای مشخص کردن تأثیر پارامترهای بی بعد موثر بر فرایند انتقال رسوب استفاده شد. مدل شبکه عصبی حاصل از آنالیز حساسیت عملکرد بهتری را نسبت به فرمول های رسوبی در تخمین بار رسوبی رودخانه ها ارائه داد. در قسمت دوم این تحقیق از داده های ایستگاه کوسنگان رودخان? فهلیان در استان فارس استفاده گردید. داده ها شامل عمق آب، سرعت جریان، شیب بستر و قطر ذرات بستر بود. با استفاده از مدل شبکه عصبی انتخابی و تعدادی از فرمول های انتقال رسوب و همچنین منحنی سنجه رسوبی به بررسی و مقایسه بار رسوبی در این رودخانه پرداخته شد.
- Abstract
- Estimates of sediment yield are required in a wide spectrum of problems such as design of reservoirs and dams, transport of sediment and pollutants in rivers, lakes and estuaries, design of stable channels, dams and debris basins, undertaking cleanup following floods, and environmental impact assessment. Many empirically and physically based models have been developed to model the sediment flux but the predictive accuracy of these models is often questionable. Recently, the neural networks approach has been applied to many branches of science. This approach, which is a non-linear model, would seem to be a useful approach for modelling the sediment transport. The main advantage of the ANN approach over traditional methods is that it does not require an explicit description of the complex nature of the underlying process in a mathematical form. This study evaluates a neural networks approach on sediment transport using the back-propagation algorithm for this purpose Qnet is used. The aim of the study is to estimate total sediment discharge in rivers. In the first part of this study, dimensionless parameters of many famous sediment formula is derived then with five data sets of Mississippi River, Colorado River, Leo River, Loup River and Hii River value of this dimensionless parameter were obtained and were used to train the network. In this study, sensitivity analysis has also been used to determine effectiveness of the dimensionless parameters that are assumed to be the most effective parameters on the dynamics of sediments. The selected ANN approach provided better results than other formulas used for estimation of sediment discharge. In the second part of this study, the Fahlian River in Fars province data were used. This data consists of measured water depth, velocity, bed slope and bed material particle size. Sediment load were computed and compared using selected ANN model, traditional formula and sediment rating curve. It was shown that selected ANN has better performance to compare with other methods.
