برآورد بارکف یک رودخانه با بستر شنی با استفاده از سیستم‌های تکاملی و روش‌های کلاسیک ( مطالعه موردی رودخانه قطور)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 1- دانشیار دانشکده عمران، دانشگاه تبریز

2 2- کارشناس ارشد مهندسی عمران سازه‌های هیدرولیکی شرکت سهامی آب منطقه‌ای آذربایجان‌شرقی

چکیده

     برای جلوگیری و یا به کمینه رساندن خسارت­های وارده ناشی از فرآیند فرسایش و انتقال تاکنون روش­های کلاسیک ریاضی متعددی جهت پیش­بینی انتقال ­رسوب ارائه شده است. این روش­ها به­طور عمده بر مبنای فرضیات و روش­های آماری و داده­های میدانی یا آزمایشگاهی استوارند که توسط محققان متعددی نظیر یانگ، وایت، بگنولد، هانسن پیشنهاد شده است. نتایج حاصل از روش­های کلاسیک در برآورد میزان رسوب عموماً حاکی از عملکرد نامناسب این روش­ها در شرایط هیدرولیکی متفاوت و حساسیت بالا به شرایط رودخانه و اندازه مواد بستر است. در این مقاله از عملکرد سیستم­های تکاملی جهت برآورد بارکف رودخانه با بستر شنی قطور­چای که در استان آذربایجان­غربی و در محدوده شهرستان خوی واقع گردیده با استفاده از نمونه­برداری­های انجام شده در ایستگاه پل یزدکان استفاده شده است. بدین­منظور با استفاده از روش­ برنامه­ریزی ژنتیک، پارامترهای ورودی مورد نیاز برای مدل­سازی، با توجه به پارامتر­های حاکم روش­های کلاسیک و همچنین مفهوم پایه­ای به­کار رفته در ساختار این روش­ها، انتخاب و بهینه شده است. سپس تحلیل­های لازم انجام شد. در مراحل مختلف مدل­سازی، ضمن بررسی اثرات عوامل مؤثر در کارآیی سیستم تکاملی، ساختار­های بهینه برای هر یک از این مدل­ها تعیین و نتایج حاصل، با روش­های کلاسیک مقایسه شده است. نتایج حاصل نشان داد که استفاده از سیستم­های تکاملی هوشمند توانایی بالائی در پیش­بینی برآورد بارکف رودخانه با بستر شنی قطور­چای نسبت به دیگر روش‌های کلاسیک دارد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Estimation of Bed Load Rate of a Gravel Bed River Using Evalutionary Systems and Classic Methods

نویسندگان [English]

  • K Roushangar 1
  • D Hakimi2 2
چکیده [English]

Many mathematical classic methods have been suggested for predicting sediment transport in order to prevent or minimize damages caused by the erosion and sedimentation. These methods are mainly based on some statistical methods and field - laboratory data which have been suggested by many researchers such as Yang, White, Bagnold, and Hansen. The results obtained from the classical methods for predicting sediment transport revealed poor performance of these methods under different hydraulic conditions and the high sensitivity of them to river conditions and bed particle size. In this paper, performance of evolutionary systems for predicting the bed load transport in a gravel bed river was evaluated. For this purpose, the genetic programming method was used and the inputs parameters required for modeling were selected and optimized according to the parameters governing the classical methods as well as the basic concepts used in the structure of these methods. The data used herein was obtained from sampling Yazdekan Bridge station of Ghotourchay River which is located in West Azarbaijan and within the city limits of Khoy. In different stages of modeling, effect of different factors on performance of evolutionary systems was investigated and the optimized structure for each of these models was determined. Next, the results were compared with the classical methods. The obtained results showed high capability of intelligent methods comparing to other classic formulas for predicting the bed load in a gravel bed river

کلیدواژه‌ها [English]

  • Bed load
  • Classic methods
  • Evolutionary systems
  • Field data
شفاعی بجستان م، 1387. مبانی نظری و عملی هیدرولیک انتقال رسوب. انتشارات دانشگاه شهید چمران اهواز چاپ اول.
فربودنام ن، قربانی م­ع، اعلمی م­ت، 1388. پیش­بینی جریان رودخانه با استفاده از برنامه­ریزی ژنتیک (مطالعه­ موردی: حوضه آبریز رودخانه لیقوان). مجله دانش کشاورزی، جلد19، شماره1، صفحه­های 107 تا 123.
Khu ST, Liong SY, Babovic V, Madsen H and Muttil N, 2001. Genetic programming and its application in real- time runoff forming. Journal of American Water Resources Association 37(2): 439-451.
Whigham PA, Crapper PF, 2001. Modeling rainfall-runoff using Genetic Programming. Mathematical and Computer Modeling 33: 707-721.
Lopes HS, Weinert WR, 2004. EGIPSYS: An enhanced gene expression programming approach for symbolic regression problems. Applied Mathematics and Computer Science 14(3): 375-384. 
Sivapragasam C, Vasudeven G, Vincent P, 2007. Genetic programming model for forecast of short and noisy data. Hydrological Process 21: 266-272.
Ferreira C, 2001. Gene expression programming: A new adaptive algorithm for solving problems. Complex Systems 13(2): 87-129.