ارزیابی عمکلرد روشهای شبـکه عصبی مصنوعی و یادگیری عمیق در تخمین بار بستر رودخانه با بستر شنی
سابقه و هدف: ارزیابی و برآورد میزان انتقال رسوب، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. تعیین میزان بار بستری که در رودخانه‌ها حمل می‌شود، به عوامل متفاوتی بستگی داشته و همین عامل باعث پیچیدگی این پدیده شده است. مطالعات انجام شده بر روی رودخانه‌های مختلف نشانگر این م...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Gorgan University of Agricultural Sciences and Natural Resources
2022-03-01
|
| Series: | پژوهش‌های حفاظت آب و خاک |
| Subjects: | |
| Online Access: | https://jwsc.gau.ac.ir/article_6080_b14b41f15f1862cd796956e7b2eb9a67.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | سابقه و هدف: ارزیابی و برآورد میزان انتقال رسوب، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. تعیین میزان بار بستری که در رودخانه‌ها حمل می‌شود، به عوامل متفاوتی بستگی داشته و همین عامل باعث پیچیدگی این پدیده شده است. مطالعات انجام شده بر روی رودخانه‌های مختلف نشانگر این مسئله می‌باشد که مقدار بار بستر انتقالی در شرایط مختلف هیدرولیکی و هیدرولوژیکی متفاوت می‌باشد، علاوه بر این خصوصیات فیزیکی ذرات بار بستر هم تاثیر بسزایی در میزان دقت مدل‌های پیش‌بینی دارد از طرفی علیرغم تاکید بر غیرقابل اعتماد بودن معادلات تجربی که بر روی یک ناحیه خاص گسترش یافته‌اند، متاسفانه مطالعات محدودی بر روی تغییرات موقتی بار بستر انجام شده است. از این رو بررسی قابلیت پیش‌بینی این پدیده از اهمیت بالایی برخوردار می‌باشد. در این مطالعه سعی بر برآورد بار بستر در رودخانه‌های با بستر شنی با استفاده از روشهای کلاسیک و هوشمند شده است. مواد و روش‌ها: روشهای یادگیری ماشین به دلیل دقت زیاد در پیش‌بینی مسائل مختلف در سال‌های اخیر مورد توجه زیادی قرار گرفته است. از این‌رو در مطالعه حاضر، از دو روش شبکه عصبی مصنوعی کلاسیک (ANN) و یادگیری عمیق از نوع حافظه طولانی کوتاه مدت (LSTM) که نوعی شبکه عصبی مصنوعی با لایه‌ها و الگوریتم‌های تقویتی برای بهبود عملکرد شبکه می‌باشد؛ برای پیش‌بینی انتقال بار بستر 19 رودخانه با بستر شنی استفاده شده است. برای تعریف مدل‌های مناسب برای شبکه‌ها، نتایج حاصل از 10 فرمول تجربی در پیش‌بینی بار بستر مورد ارزیابی قرار گرفته و از پارامترهای فرمول‌های برتر به عنوان ورودی شبکه‌های هوشمند استفاده شده است.یافته‌ها: نتایج نشان داد همه‌ی فرمول‌های تجربی از نتایج بسیار ضعیفی برخوردار بوده‌اند؛ به‌طوری که اکثر فرمول‌ها، بار بستر را با شاخص اختلاف r بیشتر از 100 پیش‌بینی کرده‌اند. با این حال روشهای ماشینی با پارامترهای ورودی حاصل از فرمول‌ها تجربی از دقت قابل‌قبولی در پیش‌بینی بار بستر برخوردار بوده است و در مقایسه روشهای ماشینی، روش LSTM نتایج دقیق‌تری را نسبت به روش ANN ارائه داده است. در نهایت مدل مربوط به پارامترهای فرمول بگنولد در روش LSTM با 900/0 DC=و 024/0 RMSE= برای داده‌های قسمت صحت‌سنجی برترین مدل حاصل از این تحقیق می‌باشد و پارامتر قطر متوسط ذرات رسوب (D50) که پارامتر مشترک سه مدل برتر می‌باشد مؤثرترین پارامتر در پیش‌بینی بار بستر انتخاب شده است.نتیجه‌گیری: با وجود عملکرد خیلی ضعیف فرمول‌های تجربی در پیش‌بینی انتقال رسوب، شبکه‌های هوشمند با پارامترهای ورودی حاصل از فرمول‌های تجربی از نتایج مطلوبی برخوردار بوده‌اند. همچنین شبکه یادگیری عمیق LSTM نسبت به شبکه عصبی مصنوعی ANN در پیش‌بینی انتقال بار بستر از کارایی بالاتری برخوردار بوده که بیانگر این است که حفظ حافظه آموزش در طول روند آموزش و اضافه کردن لایه‌های تقویتی به شبکه، باعث بهبود عملکرد شبکه شده و دقت شبکه را در آموزش‌های بعدی افزایش می‌دهد. |
|---|---|
| ISSN: | 2322-2069 2322-2794 |