ارزیابی عمکلرد روش‌های شبـکه‌ عصبی مصنوعی و یادگیری عمیق در تخمین بار بستر رودخانه با بستر شنی

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 استاد گروه مهندسی آب، دانشکده عمران دانشگاه تبریز، تبریز، ایران

2 کارشناس ارشد مهندسی آب و سازه‌های هیدرولیکی، دانشکده عمران دانشگاه تبریز، تبریز، ایران

10.22069/jwsc.2022.19695.3515

چکیده

سابقه و هدف: ارزیابی و برآورد میزان انتقال رسوب، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. تعیین میزان بار بستری که در رودخانه‌ها حمل می‌شود، به عوامل متفاوتی بستگی داشته و همین عامل باعث پیچیدگی این پدیده شده است. مطالعات انجام شده بر روی رودخانه‌های مختلف نشانگر این مسئله می‌باشد که مقدار بار بستر انتقالی در شرایط مختلف هیدرولیکی و هیدرولوژیکی متفاوت می‌باشد، علاوه‌ بر این خصوصیات فیزیکی ذرات بار بستر هم تاثیر بسزایی در میزان دقت مدل‌های پیش‌بینی دارد از طرفی علیرغم تاکید بر غیرقابل اعتماد بودن معادلات تجربی که بر روی یک ناحیه خاص گسترش یافته‌اند، متاسفانه مطالعات محدودی بر روی تغییرات موقتی بار بستر انجام شده است. از این رو بررسی قابلیت پیش‌بینی این پدیده از اهمیت بالایی برخوردار می‌باشد. در این مطالعه سعی بر برآورد بار بستر در رودخانه‌های با بستر شنی با استفاده از روش‌های کلاسیک و هوشمند شده است.
مواد و روش‌ها: روش‌های یادگیری ماشین به دلیل دقت زیاد در پیش‌بینی مسائل مختلف در سال‌های اخیر مورد ‌توجه زیادی قرار گرفته است. از این‌رو در مطالعه حاضر، از دو روش شبکه عصبی مصنوعی کلاسیک (ANN) و یادگیری عمیق از نوع حافظه طولانی کوتاه مدت (LSTM) که نوعی شبکه عصبی مصنوعی با لایه‌ها و الگوریتم‌های تقویتی برای بهبود عملکرد شبکه می‌باشد؛ برای پیش‌بینی انتقال بار بستر 19 رودخانه با بستر شنی استفاده شده است. برای تعریف مدل‌های مناسب برای شبکه‌ها، نتایج حاصل از 10 فرمول تجربی در پیش‌بینی بار بستر مورد ارزیابی قرار گرفته و از پارامترهای فرمول‌های برتر به عنوان ورودی شبکه‌های هوشمند استفاده شده است.
یافته‌ها: نتایج نشان داد همه‌ی فرمول‌های تجربی از نتایج بسیار ضعیفی برخوردار بوده‌اند؛ به‌طوری که اکثر فرمول‌ها، بار بستر را با شاخص اختلاف r بیشتر از 100 پیش‌بینی کرده‌اند. با این حال روش‌های ماشینی با پارامترهای ورودی حاصل از فرمول‌ها تجربی از دقت قابل‌قبولی در پیش‌بینی بار بستر برخوردار بوده است و در مقایسه روش‌های ماشینی، روش LSTM نتایج دقیق‌تری را نسبت به روش ANN ارائه داده است. در نهایت مدل مربوط به پارامترهای فرمول بگنولد در روش LSTM با 900/0 DC=و 024/0 RMSE= برای داده‌های قسمت صحت‌سنجی برترین مدل حاصل از این تحقیق می‌باشد و پارامتر قطر متوسط ذرات رسوب (D50) که پارامتر مشترک سه مدل برتر می‌باشد مؤثرترین پارامتر در پیش‌بینی بار بستر انتخاب شده است.
نتیجه‌گیری: با وجود عملکرد خیلی ضعیف فرمول‌های تجربی در پیش‌بینی انتقال رسوب، شبکه‌های هوشمند با پارامترهای ورودی حاصل از فرمول‌های تجربی از نتایج مطلوبی برخوردار بوده‌اند. همچنین شبکه یادگیری عمیق LSTM نسبت به شبکه عصبی مصنوعی ANN در پیش‌بینی انتقال بار بستر از کارایی بالاتری برخوردار بوده که بیانگر این است که حفظ حافظه آموزش در طول روند آموزش و اضافه کردن لایه‌های تقویتی به شبکه، باعث بهبود عملکرد شبکه شده و دقت شبکه را در آموزش‌های بعدی افزایش می‌دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation the Performance of Artificial Neural Network Method and Deep Learning Method for Prediction of Bed Load in Gravel-Bed Rivers

نویسندگان [English]

  • Kiyumars Roshangar 1
  • Samira Joulazadeh 2
1 professor, Department of water engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
2 M. Sc. of water and hydraulic structures engineering, Department of Civil Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

Background and objectives: Assessing and estimating sediment transport from a long time ago is one of the major issues for hydraulic and river engineers. Determining the amount of bed load carried in rivers depends on various factors, and this factor has complicated this phenomenon. Studies on different rivers show that the amount of bed load in different hydraulic and hydrological conditions is different. In addition, the physical properties of bed load particles have a significant effect on the accuracy of model prediction, On the other hand, despite the emphasis on the unreliability of experimental equations that have been extended over a specific area, unfortunately, limited studies have been conducted on temporary changes in bed load. Therefore, Investigating the predictability of this phenomenon is of great importance. In this study, we will try to estimate the bed load in gravel bed rivers using classical and intelligent methods.
Materials and methods: Machine learning methods due to their high accuracy in predicting various issues have been noted in recent years . Therefore, in the present study, two methods of classical artificial neural network (ANN) and deep learning of long short-term memory (LSTM), which is a kind of artificial neural network with layers and amplification algorithms to improve network performance; have been used to predict the bed load of 19 gravel-bed rivers. To define suitable models for networks, the results of 10 experimental formulas in bed load prediction have been evaluated and the parameters of superior formulas have been used as the input of intelligent networks.
Results: The results showed that all experimental formulas had very poor results; As most formulas have predicted the bed load with a Discrepancy index of r greater than 100. However, machine methods with input parameters obtained from experimental formulas have acceptable accuracy in predicting bed load. and in comparison with machine methods, LSTM method has provided more accurate results than ANN method. Finally, the model related to the parameters of Begnold formula in LSTM method with DC= 0.900 and RMSE= 0.024 for the test data is the best model obtained from this research and The average diameter of sediment particles (D50), which is a common parameter of the top three models, has been selected as the most effective parameter in predicting bed load.
Conclusion: Despite the very poor performance of experimental formulas in predicting sediment transport, intelligent networks with input parameters derived from experimental formulas have had good results. Also, LSTM network is more efficient than artificial neural network (ANN) in predicting bed load transfer, which indicates that Maintaining training memory during the training process and adding reinforcement layers to the network improves network performance and increases network accuracy in subsequent training.

کلیدواژه‌ها [English]

  • Sediment Prediction
  • bed load
  • Classical Experimental Formula
  • Artificial neural network
  • Deep Learning