هیدروژئومورفولوژی
احمد گودرزی؛ حجت اله یونسی؛ بابک شاهی نژاد؛ حسن ترابی
چکیده
اندازه‌گیری بار رسوبی در رودخانه‌ها معمولاً به اندازه‌گیری بار معلق محدود می‌شود؛ در نتیجه بهینه کردن منابع و کمینه کردن خسارت‌های ناشی از جریان در رودخانه‌ها از اهمیت بالایی برخوردار است. این تحقیق با هدف شبیه‌سازی سه بعدی جریان رودخانه کشکان در فصل بهار 1398 با استفاده از نرم‌افزار Mike3D.2018 انجام گرفت. برای این منظور با توجه به ...
بیشتر
اندازه‌گیری بار رسوبی در رودخانه‌ها معمولاً به اندازه‌گیری بار معلق محدود می‌شود؛ در نتیجه بهینه کردن منابع و کمینه کردن خسارت‌های ناشی از جریان در رودخانه‌ها از اهمیت بالایی برخوردار است. این تحقیق با هدف شبیه‌سازی سه بعدی جریان رودخانه کشکان در فصل بهار 1398 با استفاده از نرم‌افزار Mike3D.2018 انجام گرفت. برای این منظور با توجه به تهیه رقوم ارتفاعی (حاصل از نقشه‌برداری) از بستر و سیلاب‌دشت رودخانه مورد مطالعه به طول 1200 متر با مقیاس 1:1000 جهت انجام مدل‌سازی عددی به نرم‌افزار HEC-RAS5.0.7 معرفی و وارد است. از داده‌های ایستگاه هیدرومتری کشکان-پلدختر برای برآورد سیلاب، رسوب معلق و رسوب انتقالی طی دوره‌های بازگشت 25، 200، 1000 و 1250 سال مورد استفاده قرار گرفت. نتایج مدل نشان داد که سیلاب در مقاطع عرضی مختلف 1200 و 1100 به بیشترین میزان و در مقاطع عرضی 50 و 350 در کمترین میزان بوده است. رسوب کل با استفاده از رابطه یانگ 45/207 میلیون تن در روز و بار معلق را با خطای 87/11+ درصد شبیه‌سازی نموده و از مقایسه مقادیر با مقادیر مشاهداتی مشاهده شد که شبیه‌سازی در ایستگاه هیدرومتری کشکان پلدختر عملکرد بهتری نشان داد. همچنین نتایج نشان داد که حجم رسوبات معلق انتقالی در فروردین ماه (31/5132779) نسبت به سایر ماه‌های دی (55/9890)، بهمن (73/41083)، اسفند(75/149629) و اردیبهشت (15/112617) زیادتر بوده و همچنین میزان رسوب در این ماه نسبت به متوسط رسوبات انتقالی در رودخانه کشکان حجم بسیار بالایی را داشته است.
مهدی حیات زاده؛ سحر امینی؛ علی فتح زاده؛ مریم اسدی
چکیده
بار رسوبی معلق یکی از مهم‌ترین عناصر رودخانه‌ای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازه‌های احداثی بر روی این منابع دارد. پارامترهای فیزیوگرافی که بیانگر ویژگی‌های فیزیکی حوضه آبریز هستند می‌تواند به عنوان یک فاکتور تعیین کننده در میزان رسوب‌زایی حوضه آبریز مطرح گردد. روش‌های متعددی به منظور ...
بیشتر
بار رسوبی معلق یکی از مهم‌ترین عناصر رودخانه‌ای است که علاوه بر تاثیر بر کیفیت آب، نقش موثری در مدیریت منابع آبی و سازه‌های احداثی بر روی این منابع دارد. پارامترهای فیزیوگرافی که بیانگر ویژگی‌های فیزیکی حوضه آبریز هستند می‌تواند به عنوان یک فاکتور تعیین کننده در میزان رسوب‌زایی حوضه آبریز مطرح گردد. روش‌های متعددی به منظور برآورد بار معلق رودخانه‌ها وجود دارد. از جمله این روش‌ها استفاده از مدل‌های داده‌کاوی می‌باشد که در حل مسایل هیدرولوژی رسوب بسیار پرکاربرد می‌باشد. لذا در این پژوهش با تلفیق مدل‌های داده‌کاوی و پارامترهای فیزیوگرافی، بار رسوب 30 حوضه آبریز در استان لرستان با دوره آماری 33 ساله برآورد گردید. به منظور بررسی اثر شاخص‌های مختلف فیزیوگرافی بر میزان برآورد رسوب در گام نخست دبی جریان به عنوان تنها ورودی مدل‌ها و در گام بعدی شاخص‌های مختلف فیزیوگرافی حوضه به عنوان ورودی‌های مدل‌های مختلف داده‌کاوی انتخاب گردید. در این مطالعه از پنج مدل داده‌کاوی از جمله شبکه عصبی مصنوعی، ماشین‌بردار پشتیبان تکاملی، درخت تصمیم، فرآیند گوسی و رگرسیون استفاده شد. نتایج نشان داد تمامی مدل‌ها از دقت قابل قبولی برخوردار بودند. در هر دو مجموعه داده، مدل ماشین‌بردار پشتیبان تکاملی دارای بهترین دقت بود. با به‌کارگیری شاخص‌های مورد اشاره دقت در تمامی مدل‌ها افزایش یافت به طوریکه در مدل ماشین‌بردار پشتیبان تکاملی میزان میانگین مربعات خطا از 74/6 به 3 کاهش یافت و ضریب همبستگی از 994/0 به 999/0 افزایش یافت. وزن‌دهی پارامترها نیز نشان داد که بیشترین وکمترین وزن به ترتیب مزبوط به شاخص زبری و نسبت کشیدگی بوده است.
مریم اسدی؛ علی فتح زاده؛ روح‌الله تقی‌زاده مهرجردی
دوره 4، شماره 10 ، خرداد 1396، ، صفحه 121-143
چکیده
تعیین بار رسوبی معلق رودخانه‌ها یکی از پروژه‌های مهم مهندسی رودخانه می‌باشد. پیشبینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده‌های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل‌های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس ...
بیشتر
تعیین بار رسوبی معلق رودخانه‌ها یکی از پروژه‌های مهم مهندسی رودخانه می‌باشد. پیشبینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع داده‌های روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدل‌های مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال‌های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب‌ترین مدل، مدل‌های شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه‌ی شعاعی، رگرسیون خطی، k نزدیک‌ترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشین‌بردار پشتیبان و ماشین‌بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این تـحقیق نشان داد که بـرای داده‌های روزانه، مـدل k نزدیک‌ترین همسایـه با 28/5RMSE=؛ برای داده‌های ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای داده‌های سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسب‌ترین مدل جهت پیشبینی بار رسوبی معلق بوده‌اند. همچنین مقایسه مقادیر ارزیابی مدل‌ها حاکی از آن است که پیشبینی داده‌های سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.
