بررسی کارایی روش‌های برآورد بار رسوب معلق رودخانه قره‌چای

نوع مقاله: مقاله اصلی

نویسندگان

1 استادیار، گروه تحقیقات مدیریت آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان مرکزی، اراک، ایران

2 استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه اراک، اراک، ایران

3 دانشجوی دکتری، گروه مدیریت آبخیزداری، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران

10.22034/jewe.2020.211925.1341

چکیده

برآورد بار رسوب رودخانه‌ها از مسائل مهم و کاربردی در مطالعات و طراحی پروژه‌های مهندسی آب و رودخانه می-باشد. لذا شناسایی و پیشنهاد روش‌های مناسب جهت برآورد بار معلق رسوب بایستی بر اساس تحقیقات مرتبط انجام شود. از جمله این روش‌ها مدل‌های شبکه عصبی مصنوعی، نروفازی، منحنی سنجه رسوب و همچنین مدل رگرسیونی چند متغیره می‌باشد. در این پژوهش کارایی این روش‌ها در پیش‌بینی میزان دبی رسوبات معلق حوزه آبخیز رودخانه قره‌چای مورد بررسی قرار گرفت. در این تحقیق از سری زمانی روزانه داده‌های اندازه‌گیری شده دبی جریان و رسوب ایستگاه پل دو آب رودخانه قره‌چای استفاده شده است. طول دوره آماری استفاده شده در این مدل دو سال آبی (1395-1396) بود. متغیرهای مستقل که برای ورود به شبکه استفاده شده است شامل رواناب و بار معلق ایستگاه پل دوآب رودخانه قره‌چای می‌باشد. متغیر وابسته که همان خروجی شبکه است بار معلق می‌باشد. پس از انجام مدل‌سازی با هر یک از ترکیب‌ها و محاسبه مقادیر RMSE و R2، بهترین ترکیب انتخاب شد. نتایج نشان داد که روش نروفازی براساس ورودی‌های دبی و رسوب و مدل‌های شبکه عصبی مصنوعی براساس ورودی‌های دبی، نسبت به رگرسیون چند متغیره و منحنی سنجه رسوب، دارای دقت مطلوب‌تری می‌باشند. برای مقادیر بالاتر از میانگین درازمدت سری آماری، مقادیر شبیه‌سازی شده با مدل شبکه عصبی مصنوعی و برای مقادیر پایین‌تر از میانگین و بار رسوب سالانه هم برآورد نروفازی نسبت به مقادیر مشاهداتی نزدیک‌تر می‌باشد. در حالی که برای مقادیر حدی بیشینه، تفاوت معنی‌داری بین مدل‌های شبکه عصبی مصنوعی، نروفازی و رگرسیون خطی مشاهده نگردید.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

The Effectiveness of Suspended Sediment Load Estimation Methods in the Ghar Chai River

نویسندگان [English]

  • Amir Moradinejad 1
  • Davod Davod Maghami 2
  • Mojtaba Moradi 3
1 Assist. Professor, Soil Conservation and Watershed Management Research Department, Markazi Agricultural and Natural Resources Research and Education Center, AREEO,, Arak, Iran
2 Assist. Professor, Department of Water Engineering, Faculty of Agriculture, University of Arak, Arak, Iran
3 Ph.D. Scholar, Department of Watershed Management, Faculty of Agriculture, Tarbiat Modares University, Tehran, Iran
چکیده [English]

Estimation of sediment load in rivers is one of the most important and applicable issues in studies and design of river and water engineering projects. Therefore, identification and suggestion of suitable methods for estimating suspended sediment load should be done based on relevant research. These methods include artificial neural network models, neurophysics, sedimentation rate curve as well as multivariate regression model. In this study, the efficiency of these methods in predicting discharge rate of suspended sediments of Gharachai River watershed was investigated. In this study, daily time series data of measured flow discharge and sedimentation of bridge station of Gharachai River were used. The statistical period used in this model was two blue years (1976-96). Independent variables used to enter the network include runoff and suspended load at the Gharachai River Bridge bridge station. The dependent variable, which is the network output, is the suspended load. After modeling with each compound and calculating RMSE and R2 values, the best combination was selected. The results showed that the neurophasic method based on discharge and sediment inputs and artificial neural network models based on discharge inputs were more accurate than multivariate regression and sedimentation rate curve. For values above the long-run mean of the statistical series, the values simulated by the ANN model and for values below the mean and annual sediment load are also closer to the observed values. While for maximum values, no significant difference was found between ANN models, neurophysics and linear regression.

کلیدواژه‌ها [English]

  • DOAB POL
  • Suspended sediments
  • Artificial Neural Network
  • Sediment rating curve
  • Neuro-Fuzzy