Application of the Intelligent Systems and Statistical Models in Estimation of Suspended Sediment Distribution

Document Type : Research Paper

Abstract

Understanding the vertical distribution of suspended sediment in channels and natural waterways is very important in estimation of the suspended load. High costs, time-consuming of the sampling operations from rivers, and remarkable error associated with equipment and sampling methods, have led engineers and researchers to perform the simulation models and the new statistical methods. In this study, three methods namely artificial neural networks (ANN), adaptive neuro-fuzzy inference system (ANFIS), and multivariate linear regression were used to estimate the distribution of suspended sediment concentration. The accuracy of each method was assessed using the most reliable experimental data. After evaluating the performance of the three aforesaid methods, it was found that the ANN method with the values of 0.999 and 0.042 for r and RMSE, respectively, had a relative advantage as compared with the other methods. This method precisely estimated the distribution of sediment concentration. Also the adaptive neuro-fuzzy inference system accuracy, with the values of 0.994 and 0.042 for r and RMSE, respectively, ranked in the second position. Two equations were proposed for the currents on the smooth and rough beds, using the multivariate regression approach. The results showed that the multivariate regression model had less efficiency than the two aforementioned models. By comparing these models with existing empirical equations such as Rouse's equation and the equation of Einstein and Chien, it was revealed that statistical methods had estimated the distribution of sediment concentration more accurately than empirical equations.

Keywords


آوریده ف، بنی حبیب م و شمسی ط، 1380. کاربرد شبکه­های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه­ها. ۳۶۶ تا 367، سومین کنفرانس هیدرولیک، 5 تا 7 آبان، تهران.
امید م‌ح و نصرآبادی م، 1391. مهندسی رسوب، انتشارات دانشگاه تهران. چاپ اول. 798 صفحه.
بایزیدی ش، یاسی م ، فتاحی ر و کارگر ع، ۱۳۸۴. پیش بینی و برآورد رسوب معلق روزانه با استفاده از . شبکه­های عصبی مصنوعی – مدل پرسپترون چند لایه، صفحه‌های ۵۵۵ تا 561، پنجمین کنفرانس هیدرولیک ایران، 21 آبان، کرمان.
داننده­مهر ع ، علیایی ا و قربانی م، 1389. پیش بینی بار معلق رودخانه ها بر مبنای دبی جریان با استفاده از برنامه­ریزی ژنتیک. پژوهش­های آبخیزداری. شماره 88. صفحه‌های 45 تا 54.
دهقانی ا، عسگری م و مساعدی ا، 1389. مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاجی فازی- عصبی تطبیقی و زمین آمار در میان یابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین). مجله علوم کشاورزی و منابع طبیعی جلد شانزدهم، ویژه نامه 1 ب، صفحه‌های 1 تا 14.
رجایی ط، میرباقری س‌ا و مرغوب ب، 1388. شبیه سازی سری زمانی بار معلق رودخانه توسط مدل شبکه عصبی مصنوعی. دومین سمینار بین المللی مهندسی محیط زیست. دانشگاه خواجه نصیرالدین طوسی، 29 دی تا 1بهمن، تهران.
طباطبائی م ، شاهدی ک و سلیمانی ک، 1392. مدل شبکه عصبی مصنوعی برآورد غلظت رسوب معلق رودخانه ای به کمک تصاویر سنجنده مودیس (مطالعه موردی ایستگاه هیدرومتری ملاثانی - رودخانه کارون). نشریه آب و خاک (علوم و صنایع کشاورزی). جلد 27. شماره 1. صفحه‌های 193 تا 204.
طلوعی س ، دلیر ع‌ح،  قربانی م‌ع ، فاخری­فرد ا و سلماسی ف، 1390. تخمین زمانی و مکانی بار معلق رودخانه آجی­چای با استفاده از زمین آمار و شبکه عصبی مصنوعی. نشریه دانش آب و خاک. جلد 21 . شماره 4، صفحه‌های 93 تا 104.
فلامکی ا، اسکندری م، بغلانی ع و احمدی س، 1392. مدل سازی بار رسوب کل رودخانه­ها با استفاده از شبکه­های عصبی مصنوعی. نشریه حفاظت منابع آب و خاک، سال دوم، شماره 3. صفحه‌های 13 تا 24.
فیض‌نیا س، محمدعسگری ح و معظمی م، 1388. بررسی کارایی روش شبکه عصبی مصنوعی در تخمین رسوب معلق روزانه. مجله منابع طبیعی ایران. دوره 60، شماره 4. صفحه‌های 1199 تا 1210.
نصرآبادی م، ریاحی ص و صمدی بروجنی ح، 1392. ارزیابی معادلات توزیع غلظت رسوبات معلق در کانال‌های باز. مجله پژوهش آب ایران. سال ششم. شماره یازدهم، صفحه‌های 122تا 131.
Alp M and Cigizoglu HK, 2007. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modeling and Software 22(1):2-13.
Chang FJ, and Chang YT, 2005. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advances in Water Resources 29(1):1-10.
Chang FM, Simons DB, and Richardson EV, 1967. Total bed-material discharge in alluvial channels. US Geological Survey Water-Supply paper 1498-I.
Cigizoglu HK, and Kisi O, 2006. Methods to improve the neural network performance in suspended sediment estimation. Journal of Hydrology 317(3):221-238.
Enistein HA, and Chien N, 1955. Effects of heavy sediment concentration near the bed on velocity and sediment distribution, Report No. 8. U. S. Army Corps of Engineers. Missouri River Division. University of California.
Gary LB, 2008. Approximate profile for non-equilibrium suspended sediment. Journal of Hydraulic Engineering 134(7): 1010-1014.
Itakura T, and Kishi T, 1980. Open channel flow with suspended sediments. Journal of Hydraulic Division ASCE 106(8): 1325-1343.
Mctigue DF, 1981. Mixture theory for suspended sediment transport. Journal of Hydraulic Division ASCE 107(6): 659-673.
Jang JS, 1993. ANFIS: Adaptive Network-based Fuzzy Inference System. IEEE Transactions on Systems Man and Cybernetics 23(3): 665-685.
Rouse H, 1937. Modern conceptions of the mechanics of fluid turbulence. Transactions of the American Society of Civil Engineers 102(1): 463-505.
Tanaka S, and Sugimoto S, 1958. On the distribution of suspended sediment in experimental flume flow. Memoirs of the faculty of engineering. No. 5. Kobe University, Japan.
Vanoni VA, 1946. Transportation of suspended sediment by water. Transactions of the American Society of Civil Engineers 111(1): 67-102.
Willis JC, 1979. Suspended load from error-function models. Journal of Hydraulics Division ASCE 105(7): 801-816