پیش بینی مشخصات کانال های پایدار با استفاده از محاسبات نرم

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 هیات علمی

2 هیات علمی دانشگاه رازی کرمانشاه

چکیده

سابقه و هدف: از موضوعات مهم در مهندسی رودخانه تعیین مشخصات آبراهه پایدار شامل عرض، عمق و شیب است که بیش از یک قرن مورد توجه بوده است. طراحی پایدار یک آبراهه در کارهای مختلفی مانند مهندسی رودخانه، کنترل سیل و انتقال آب مورد استفاده قرار می‌گیرد. آبراهه‌های پایدار معمولاً توسط روابط تجربی که گاهی دقت بسیار کمی دارند طراحی می‌شود. هدف اصلی این تحقیق ارزیابی دو روش ANFIS و SVM در تخمین مشخصات آبراهه پایدار است.
مواد و روش‌ها: تعداد 325 داده اندازه‌گیری شده از مشخصات آبراهه‌های طبیعی و تحقیقات آزمایشگاهی برای آموزش، ارزیابی و آزمایش دو روش ANFIS و SVM مورد استفاده قرار گرفت. سیستم نوروفازی که ترکیب شبکه عصبی با منطق فازی می‌باشد اولین بار توسط ژانگ 1993 معرفی شد. ماشین بردار پشتیبان در الگوریتم‌های رگرسیون و طبقه‌بندی استفاده می‌گردد. 60% داده‌ها برای آموزش، 20% برای ارزیابی و 20% باقیمانده برای آزمایش استفاده شد. برای برآورد مشخصات آبراهه از دو ورودی شامل: 1- دبی و 2- دبی و قطر متوسط رسوب استفاده شد. از روابط تجربی افضلی مهر و همکاران، بری و سیمونز و آلبرتسون برای مقایسه با دو روش ANFIS و SVM استفاده گردید.
یافته‌ها: روش‌های ANFIS و SVM با ورودی (2) نسبت به (1) عرض را به ترتیب حدود 50% و 80% و عمق را به ترتیب 61% و 40% با خطای کمتری تخمین زدند. دقت پیش‌بینی ANFIS و SVM در دامنه‌های مختلف عرض و عمق متفاوت است. هر دو روش نتوانستند شیب را پیش‌بینی کنند. رابطه تجربی بری که عمق و عرض را با دقت قابل قبولی پیش‌بینی می‌کند در تخمین شیب دارای دقت کمی است.
نتیجه‌گیری: نتایج نشان داد هر دو روش با ورودی (2) تغییرات هندسی آبراهه را با دقت قابل قبولی شبیه‌سازی می‌کنند و عرض و عمق را به خوبی تخمین می‌زنند. به طور کلی قابلیت تخمین عرض بیشتر از عمق است و هر دو روش با ورودی (1) و (2) قادر به تخمین شیب کانال پایدار نمی‌باشند. در اعماق کمتر از 2 متر تأثیر قطر متوسط رسوب نسبت به دبی بر پیش‌بینی عمق کم است. تغییرات شیب فقط به دبی و قطر متوسط رسوب بستگی ندارد و پارامترهای دیگری در تغییرات آن تأثیر دارند. تأثیر پارامترهای ناشناخته بر شیب-های بیشتر از 5/0% بیشتر است زیرا هر دو روش هیچ تخمین قابل قبولی ارائه نکرده‌اند. رابطه بری نسبت به دو رابطه سیمونز و آلبرتسون و افضلی دارای دقت بیشتری در پیش‌بینی مشخصات آبراهه است. مقایسه ANFIS با روابط تجربی نشان داد مشخصات آبراهه پایدار توسط ANFIS با دقت بیشتری نسبت به روابط تجربی پیش‌بینی می‌شود.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of stable channels geometry using soft computing

چکیده [English]

Background and objectives: Determination of stable channel characteristics includes width, depth and slope is very important that considered for more than a century. Design of Stable channel was used in various works such as river engineering, flood control and water conveyance. The main objective of this study is evaluation of two methods of ANFIS and SVM to estimate stable channel characteristics.
Materials and methods: 325 measured data from the natural channel and laboratory investigations were used for training, testing and evaluation ANFIS and SVM methods. ANFIS system that combines neural network with fuzzy logic is the first time was introduced in 1993 by Zhang. Support Vector Machine can be applied not only to classification problems but also to the case of regression. 60% of data was used for training, 20% evaluation and the remaining 20% were used for test. To simulate the channel characteristics two input include: 1- discharge and 2- discharge and median sediment grains were used. The empirical formula Afzalimehr et al., Bray and Simmons and Albertson was used to compare with ANFIS and SVM. 1- discharge and 2- discharge and median sediment grains were used. The empirical formula Afzalimehr et al., Bray and Simmons and Albertson was used to compare with ANFIS and SVM.
Results: ANFIS and SVM methods with input (2) to (1) estimate width 50% and 80% respectively and depth 61% and 40% respectively with a lower error. ANFIS and SVM prediction accuracy in various range of width and depth is different. Both methods could not predict the slope. Bray empirical relationship that predicted depth and width of the reasonably accurately estimates the slope with less accuracy.
Conclusion: The results showed that both methods with input (2) simulate changes in channel geometry with reasonable accuracy and estimate the width and depth as well. Overall, estimation capability of width more than depth and both methods with input (1) and (2) can’t estimate of slope stable channel. In depth of less than 2 meters the impact of median grain size is little on the predicted depth. Changes in slope do not depend only on the discharge and median grain size and other parameters that affect the change. The effects of the unknown parameters on slopes greater than 0.5% are high because both methods did not provide any reasonable estimates. Compared with empirical relations showed ANFIS more accurately estimate characteristic of stable channel than Simons and Albertson, Afzalimehr et al. and Bray relationship.

کلیدواژه‌ها [English]

  • Stable channel
  • Geometry
  • ANFIS
  • SVM
1.Afzalimehr, H., Abdolhosseini, M., and Singh, V.P. 2010. Hydraulic Geometry Relations for Stable Channel Design. J. Hydrol. Engin. 15: 1. 859-864.
2.Afzalimehr, H., Heydarpour, M., and Farshi, S.H. 2006. Regime theory and its application for a uniform and non-uniform flow. Science and Technology of Agriculture and Natural Resources. 10: 1. 12-23. (In Persian)
3.Akan, A.O. 2001. Tractive force channel design aid. Can. J. Civil Engin. 28: 865-867.
4.Bahramifar, A., Shirkhani, R., and Mohamadi, M. 2013. Semi-theoretical model predicts
a stable level of river sand bed. Iran watershed science and engineering. 7: 23. 19-30.
(In Persian)
5.Bray, R.D. 1982. Regime equations for gravel-bed rivers. P 517-544, In: R.D. Hey, J.C. Bathurst and C. Thorne (Eds.), Gravel-bed rivers. New York: John Wiley.[A1] [M2] 
6.Frances, S. 2000. A study of different methods for determination of regime channel geometry with application to streams in southwestern Ontario. Electronic Theses and Dissertations. University of Windsor, 773p. 
7.Hey, R.D. 2006. Fluvial geomorphological methodology for natural stable channel design.
J. Amer. Water Resour. Assoc. 42: 2. 357-386.
8.Hong, J.H., Goyal, M.K., Chiew, Y.M., and Chua, L.H.C. 2012. Predicting time-dependent pier scour depth with support vector regression. J. Hydrol. 468-469: 241-248.     
9.Jang, J.S.R. 1993. ANFIS: Adaptive-network-based fuzzy inference systems. IEEE Trans Systems Man Cybernet. 23: 3. 665-685.
10.Julien, P.Y. 2002. River mechanics. Cambridge, UK: CambridgeUniversity Press.
11.Kakaei Lafdani, E., Moghaddam Nia, A., and Ahmadi, A. 2012. Daily Suspended Sediment Load Prediction Using Artificial Neural Networks and Support Vector Machines Machine.
J. Hydrol. 478: 50-62.
12.Lee, J.S., and Julien, P.Y. 2006. Downstream hydraulic geometry of alluvial channels. Journal of hydraulic engineering. 132: 12. 1347-1352.
13.Majdzadeh Tabatabayi, M.R., Tahershamsi, A., and Shirkhani, R. 2011. Assessment regime theory to estimate the width of the permanent rivers with sand bed. Science and engineering watershed Iran. 5: 15. 33-42. (In Persian)
14.Millar, R.G., and Quick, M.C. 1998. Stable width and depth of gravel-bed rivers with cohesive banks. J. Hydr. Engin. ASCE. 124: 10. 1005-1013.
15.Misra, D., Oommen, T., Agarwal, A., Mishra, S.K., and Thompson, A.M. 2009. Application and analysis of support vector machine based simulation for runoff and sediment yield. Biosystems engineering. 103: 4. 527-535.
16.Mohamed, H.I. 2013. Design of alluvial Egyptian irrigation canals using artificial neural networks method. Ain Shams Engin. J. 4: 2. 163-171.
17.Nayak, P.C., Venkatesh, B., Krishna, B., and Sharad, K. 2013. Rainfall-runoff
modeling using conceptual, data driven, and wavelet based computing approach. J. Hydrol. 493: 17. 57-67.
18.Noori, R., Karbassi, A., Farokhnia, A., and Dehghani, M. 2009. Predicting the longitudinal dispersion coefficient using support vector machine and adaptive neuro-fuzzy inference system techniques. Environmental Engineering Science. 26: 10. 1503-1510.
 19.Noori, R., Karbassi, A.R., Moghaddamnia, A., Han, D., Zokaei-Ashtiani, M.H., and Farokhnia, A. 2011. Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. J. Hydrol. 401: 3-4. 177-189.
20.Phillips, J.D. 2012. Geomorphic responses to changes in stream flows: the flow-channel fitness model. River research and applications. 29: 9. 1175-1194.
21.Riahi-Madvar, H., Ayyoubzadeh, S.A., and Atanti, M.G. 2011. Developing an expert
system for predicting alluvial channel geometry using ANN. Expert Systems with Applications. 38: 1. 215-222.
22.Sadeghpour Haji, M., Mirbagheri, S.A., Javid, A.H., Khezri, M., and Najafpour, G.D. 2014. Suspended sediment modelling by SVM and wavelet. Građevinar. 66: 3. 211-223.
23.Shoar Iman, F., and Tahershamsi, F. 2010. River flow regimes on the basis of equivalent power equation. J. School Civil Engin. Survey. 44: 1. 73-78. (In Persian)
24.Simons, D.B., and Albertson, M.L. 1963. Uniform Water Conveyance Channels in Alluvial Material. Transactions of the American Society of Civil engineers. 128: 65-107.
25.Singh, V.P. 2003. On the theories of hydraulic geometry. Inter. J. Sed. Res. 18: 3. 196-218.
26.Singh, V.P., and Zhang, L. 2008. At-a-station hydraulic geometry relations, 2: Calibration and testing. Hydrological processes. 22: 216-228.
27.Wang, L. 2005. Support Vector Machines: theory and applications. Springer, Berlin, 177p.
28.Wohl, E. 2014. Limits of downstream hydraulic geometry. Geology. 32: 10. 897-900.
29.Wohl, E.E., and Wilcox, A. 2005. Channel geometry of mountain streams in New Zealand.
J. Hydrol. 300: 1-4. 252-266.
30.Xu, J. 2004. Comparison of hydraulic geometry between sand- and gravel-bed rivers
in relation to channel pattern discrimination. Earth surface processes and landforms.
29: 5. 645-657.
31.Yousefi, N., Khodashenas, S.R., Pajand, H.R., and Beheshti, A.A. 2013. Using the provided within the stable channel estimation based on multivariate statistical models. J. Water Soil. 27: 6. 1270-1280. (In Persian