تاثیر نوسانات سطح آب و دبی جریان بر میزان بار معلق با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی : رودخانه اهر چای)

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده کشاورزی، دانشگاه تبریز

چکیده

بررسی رسوبات معلق در رودخانه­ها و عوامل موثر بر آن یکی از مسائل مهم در مباحث مهندسی رودخانه است. در این تحقیق تاثیر متقابل نوسانات سطح آب و دبی جریان بر میزان بار معلق با استفاده از شبکه­های عصبی بررسی شد. بدین منظورحوضه آبریز اهر چای با مساحتی بالغ بر2400 کیلومتر مربع از زیر حوضه­های آبریز ارس انتخاب گردید. اطلاعات و داده­های ایستگاه­های تازه کند، اورنگ، کاسین، اشدلق و برمیس در بالادست سد ستارخان مورد بررسی قرار گرفت. نتیجه بررسی­ها نشان داد که داده­های سطح آب نسبت به دبی جریان از دقت کمتری در پیش­بینی بار معلق برخوردار می­باشد. حداکثر ضریب همبستگی صحت­سنجی برای داده­های سطح آب 69/0 در ایستگاه اورنگ و کمترین آن 08/0 در ایستگاه اشدلق و برای داده­های دبی حداکثر  مقدار این ضریب 84/0 در ایستگاه اشدلق و حداقل آن 7/0 در ایستگاه برمیس حاصل شد. دلیل عمده پایین بودن ضریب همبستگی برازش در برخی از ایستگاه­ها را می­توان کم بودن تعداد داده­ها، عدم دقت اندازه­گیری سطح آب در مقایسه با دبی جریان، فقدان توالی زمانی در داده­ها بیان نمود. درسطح حوضه نیز روند کلی نتایج بدین صورت است که از بالادست به پائین دست با افزایش میزان دبی جریان و رسوب، نتایج شبکه عصبی از کیفیت بهتری درپیش­بینی میزان بار معلق برخوردار بود در حالی که نوسانات سطح آب چنین روندی را نشان نداد. 

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Effects of Water Level and Flow Discharge Fluctuations on Suspended Sediment Load Using Artificial Neural Networks (Case study: Ahar Chay River)

نویسندگان [English]

  • A Hosseinzadeh Dalir
  • D Farsadizadeh
  • MA Ghorbani
چکیده [English]

Evaluation of suspended sediments and parameters affecting them is of great importance in river engineering. In this research the effects of water level and flow discharge fluctuations on suspended sediment load were studied using Artificial neural networks (ANNs). Ahar chay river basin, located in north of Iran, with area totaling about 2400 km2 as a sub-basin of Aras river was chosen. Data from Tazeh-Kand, Orang, Casein, Oshdologh and Bermice (upstream of Sattarkhan dam) stations were employed in ANNs method and the suspended sediment were predicted. The results showed that, suspended load forecasted by water level data had low accuracy than that forecasted by the flow discharge. The maximum and minimum coefficients of correlation  for water level data were 0.69 and 0.08 in Orang and Oshdologh stations, respectively. The corresponding values for flow discharge  were 0.84 in Oshdologh and 0.7 in Bermice. The main reason for the low coefficient of fittness in some stations probably were due to shortage of data, lack of temporal sequence and inaccuracy of water level fluctuations compared to the flow measurements. It appeared that, in this basin, in moving from high to low land  with increasing discharge and sediment rates, the results of ANN became more reliable. Water level fluctuations did not show this trend. 

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Ahar chay
  • Discharge
  • Suspended Load
  • Water level flactuations
بایزیدی ش م، یاسی ر، فتاحی و کارگر ع، 1384. پیش بینی و برآورد بار معلق روزانه با استفاده از  شبکه های عصبی مصنوعی- مدل پرسپترون چند لایه، پنجمین کنفرانس هیدرولیک ایران، دانشکده مهندسی دانشگاه شهید با هنر کرمان، 17-19 آبان ماه 84.
شفاعی بجستان م، 1384. هیدرولیک رسوب .انتشارات دانشگاه شهید چمران اهواز.
  فتاحی م، طوسی س ، تبار احمدی ض. 1385. تخمین میزان رسوب رودخانه نکا به کمک شبکه عصبی مصنوعی، صفحه­های880-786. هفتمین سمیناربین المللی مهندسی رودخانه، بهمن ماه 85، دانشگاه شهید چمران اهواز.
منهاج م ب، 1379. مبانی شبکه های عصبی ( هوش محاسباتی). چاپ اول. انتشارات دانشگاه صنعتی امیر کبیر.
  منتظر غ، مشفق م ذ و قدسیان م، 1381. تخمین خبره میزان رسوب رودخانه بازفت به کمک شبکه عصبی مصنوعی. صفحه­های 757-749. ششمین سمینار بین المللی مهندسی رودخانه، بهمن ماه 1381، دانشگاه شهید چمران اهواز.
نجمائی م، 1369. هیدرولوژی مهندسی. چاپ دوم. شماره انتشار 107. دانشگاه علم و صنعت ایران.
JainSK, 2001. Development of integrated sediment rating curves using Artificial Neural Networks. Journal of Hydraulic Eng, ASCE, 127 (1), 30- 37.
Kerem Cigizoglu H, 2002. Suspended sediment estimation for rivers using Artificial Neural Networks and sediment rating curves. Turkish J Eng Envir Sci 26: 27- 36.
McCulloch WS and Pitts WH, 1943. A logical calculus of the ideas immanentin neural nets. Bull. Math. Biophys.5: 115-133