مدل‌سازی و تعیین پارامترهای تاثیرگذار در ضریب مقاومت جریان کانال‌های فرسایش‌پذیر با شکل بستر تلماسه (دون) با استفاده از رگرسیون بردار پشتیبان

نویسندگان

1 دانشیار، گروه مهندسی عمران آب، دانشکده فنی و مهندسی عمران دانشگاه تبریز

2 استاد، گروه مهندسی عمران آب، دانشکده فنی و مهندسی عمران دانشگاه تبریز

3 دانشجوی دکتری مهندسی عمران – سازه‌های هیدرولیکی، دانشکده فنی و مهندسی عمران دانشگاه تبریز

چکیده

در مطالعه هیدرولیکی کانال‌ها و رودخانه‌ها، تعیین ضریب مقاومت جریان برای محاسبه دبی، سرعت و عمق جریان امری ضروری بوده و محاسبه مقادیر عددی این ضریب، با توجه به تأثیرگذاری پارامترهای مختلف بر آن پیچیده و مشکل است. در این پژوهش با بهره‌گیری از روش ماشین بردار پشتیبان به‌عنوان یکی از روش‌های یادگیری ماشینی، مقادیر ضریب زبری جریان در بستر فرسایش‌پذیر با شکل بستر تلماسه (دون)، برای چهار سری از داده‌های آزمایشگاهی معتبر در سه سناریو (مدل براساس مشخصات جریان، شکل بستر و جریان و مصالح بستر و جریان) تخمین زده شده و نرخ تأثیر پارامترهای ورودی با توجه به معیارهای ارزیابی مختلف مورد تجزیه و تحلیل قرار گرفته است. نتایج حاصله نشان داد که روش رگرسیون بردار پشتیبان دارای دقت قابل قبولی در تخمین ضریب زبری جریان می‌باشد. همچنین پارامتر عدد رینولدز جریان با بیشترین تأثیرگذاری، دارای اهمیت بیشتری در تخمین ضریب زبری جریان در بسترهای فرسایش‌پذیر با شکل بستر دون شناخته شد.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling and Determination of Effective Parameters in Flow Roughness Coefficient in Alluvial Channels with Dun Bedforms Using Support Vector Regression

نویسندگان [English]

  • K Roushangar 1
  • MT Alami 2
  • S.M Saghebian 3
1 Assoc. Prof., Dept. of Water Eng., Faculty of Civil Eng., University of Tabriz, Iran
2 Prof., Dept. of Water Eng., Faculty of Civil Eng., University of Tabriz, Iran
3 PhD Candidate in Hydraulic Structures. University of Tabriz, Tabriz, Iran
چکیده [English]

Determination of flow roughness coefficient in the channels and river hydraulics is necessary for calculating of the discharge, the velocity and the depth of flow. Calculating the exact values of this coefficient is complex and difficult due to the influence of various parameters on it. In this study, using support vector regression as one of the machine learning approaches, the flow roughness coefficient in alluvial channel with dune bedform is predicted for four experimental data series under three scenarios (modeling based on flow characteristics, flow and bedform characteristics and flow and sediment characteristics) and the rate of input parameters is investigated using different performance criteria. The obtained results show that the support vector regression approach has desired accuracy in predicting the roughness coefficient. Also, the flow Reynolds number parameter with the most impact was recognized as the most significant parameter in estimating the roughness coefficient in the erodible beds with dune bedforms.

کلیدواژه‌ها [English]

  • Alluvial channel
  • Dune
  • Support Vector Regression
  • Roughness coefficient
  • Reynolds number

مراجع

Anderson, A.G., Paintal, A.S. and Davenport, J.T. 1970. Tentative design procedure for riprap lined channel. Report no. 108, Hihgway Research Bord, National Academy of Sciences-National Academy of Engineering, Washington D C, USA, 75 pp.
Azamathulla, H.M., Ghani, A.A., Chang, C.K., Hasan, Z.A., Zakaria, N.A. 2010. Machine learning approach to predict sediment load–a case study. CLEAN Soil, Air, Water 38(10): 969-976.
Bruschin, J. 1985. Discussion on Brownlie (1983): Flow Depth in Sand-bed Channels. Journal of Hydraulic Engineering, ASCE 111: 736-739.
Camacho, R., Yen, B.C. 1989. Nonlinear Resistance Relationships for Alluvial channels. In: Yen, B.C. (Ed.), Proceedings, International Conference on Channel Flow and Catchment Runoff. University of Virginia, Charlottesville, pp. 392–9.
Chiang, J. and Tsai, Y. 2011. Suspended sediment load estimate using support vector machines in Kaoping river basin. In Consumer Electronics, Communications and Networks (CECNet), International Conference, pp. 1750-1753.
Ghorbani, M. A., Azani, A., and Naghipoor, L. 2016. Comparison of the preformation of support vector machine with other intelligent techniques to simulator rainfall-runoff process. Journal of Watershed Management Research 13: 92-103.
Gunn, S.R. 1998. Support Vector Machines for Classification and Regression. Tech. Report, University of Southampton, UK.
Guy, H.P., Simons, D.B. and Richardson, E.V. 1966. Summary of alluvial channel data from flume experiments: 1956-61 (No. 462-I).
Hager, W.H. 1999. Modifying Manning's Equation for Flow Rate Estimates. Water and Sewage Works 125(3): 68-69.
Henderson, F. M. 1966. Open Channel Flow. Macmillan, New York.
Heydari, H., Zarrati, A.R. and Karimaee Tabarestani, M. 2014. Bedform characteristics in a live bed alluvial channel, Scientia Iranica, Transactions A: Civil Engineering 21(6): 1773-1780.
Karim, F. 1995. Bed configuration and hydraulic resistance in alluvial-channel flows. ASCE, Journal of Hydraulic Engineering 121(1): 15-25.
Legates, D.R., McCabe, G.J. 1999. Evaluating the use of goodness-of-fit measures in hydrologic and hydroclimatic validation. Water Resources Research 35(1): 233–241.
Meyer-Peter, E. and Müller, R. 1948. Formulas for bed-load transport. Proc. 2nd Meeting IAHR, Stockholm: 39–64.
Nash, J.E., Sutcliffe, J.V. 1970. River flow forecasting through conceptual models part I-A discussion of principles. Journal of hydrology 10(3): 282-290.
Nourani, V., Sayyah Fard, M. 2012. Sensitivity analysis of the artificial neural network outputs in simulation of the evaporation process at different climatologic regimes. Journal of advances in Engineering Software 47: 127-146.
Roushangar, K. 2010. Open channel flow resistance, (Doctoral Ph.D.). Department of Civil Engineering, University of Tabriz, Iran.
Roushangar, K., Vojoudi, F. and Shiri, J. 2014. Modeling river total bed material load discharge using artificial intelligence approaches (based on conceptual inputs). Journal of Hydrology 514: 114-122.
Roushangar, K., Koosheh, A. 2015. Evaluation of GA-SVR method for modeling bed load transport in gravel-bed Rivers. Journal of Hydrology 527: 1142-1152.
Sepahvand, A., Taei Semiromi, M., Mirnia, S.K. and Moradi, H.R. 2011. Assessing the Sensitivity of Infiltration Models to Variability of Soil Moisture. Journal of Water and Soil 25: 338-346 (In Persian).
Simons, D.B., Richardson, E.V. 1966. Resistance to flow in alluvial channels. Professional Paper 422-J. Washington, D.C., U.S. Geological Survey.
Simons, D.B., Richardson, E.V. 1963. Form of bed roughness in alluvial channels. Trans. ASCE 128: 284-323.
Strickler, A. 1923. Beitrage zur Frage der Geschwindigheits-formel und der Rauhegkeitszahlen fur Strome, Kanale und geschlossene Leitungen. (Some contributions to the problem of the velocity formula and roughness factors for rivers, canals, and closed conduits): Bern, Switzerland, Mitt. Eidgeno assischen Amtes Wasserwirtschaft, No. 16.
Tuijnder, A.P., Ribberink, J.S. 2012. Experimental observation and modelling of roughness variation due to supply-limited sediment transport in uni-directional flow. Journal of Hydraulic Research 50(5): 506-520.
United States Army Corps of Engineers, U.S. 1935. Waterways Experiment Station, Vicksburg, Mississippi. Studies of River Bed Materials and Their Movement with Special Reference to the Lower Mississippi River, Paper 17, 161 pp.
Van der Mark, C.F., Blom, A. and Hulscher, S.J. 2008. Quantification of variability in bedform geometry. Journal of Geophysical research: Earth Surface 113: 1-11.
Vapnik V, 1995. The Nature of Statistical Learning Theory. Data Mining and Knowledge Discovery, Springer Verlag, New York, 47p.
Williams, G.P. 1970. Flume Width and Water Depth Effects in Sediment Transport Experiments. U.S. Geological Survey, Professional Paper 562-H.
Yang, S.Q., Tan, S.K. and Lim, S.Y. 2005. Flow resistance and bed form geometry in a wide alluvial channel. Water Resource Research 41(9): 1-8.
 
دانش آب و خاک
دوره 28، شماره 2
تیر 1397
صفحه 235-248

فایل ها

هم رسانی

ارجاع به این مقاله

آمار