پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,757 |
| تعداد مشاهده مقاله | 115,115,978 |
| تعداد دریافت فایل اصل مقاله | 89,883,400 |
بررسی روند تأثیرات پارامترهای هیدرولیکی و رسوبی بر میزان انتقال بار بستر با استفاده از همبستگی‌های آماری و روشهای یادگیری ماشین | ||
| تحقیقات آب و خاک ایران | ||
| دوره 53، شماره 1، فروردین 1401، صفحه 99-112 اصل مقاله (2.3 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2022.333131.669123 | ||
| نویسندگان | ||
| کیومرث روشنگر* 1؛ سمیرا جولازاده2 | ||
| 1استاد گروه مهندسی آب، دانشکده عمران دانشگاه تبریز، تبریز، ایران | ||
| 2کارشناس ارشد مهندسی آب و سازه‌های هیدرولیکی, دانشکده عمران دانشگاه تبریز, تبریز, ایران | ||
| چکیده | ||
| در مهندسی هیدرولیک و رودخانه، بارهای جامد رسوبی نقش اساسی را در تعیین رفتار رودخانه و کنترل مورفولوژی دارند؛ به همین دلیل ارزیابی و برآورد صحیح انتقال بار جامد رسوبی از دیرباز یکی از مسائل عمده و اصلی در علوم مرتبط با مهندسی رودخانه و محیط‌زیست میباشد. هدف از این تحقیق برآورد میزان انتقال بار بستر در 19 رودخانه با بستر شنی میباشد. بدین منظور، ابتدا روند همبستگی آماری بین پارامتر انتقال رسوب (دبی بار بستر) و پارامترهای هیدرولیکی و رسوبی (دبی جریان، عمق جریان، سرعت متوسط جریان، قطر متوسط ذرات رسوب، عدد فرود و...) بررسی شده و دبی بار بستر به‌صورت تابع رگرسیونی تک‌متغیره برآورد می‌شود. مطابق نتایج ارائه شده به یک همبستگی مطلوبی بین پارامتر انتقال رسوب و پارامترهای هیدرولیکی و رسوبی رسیده شد و نتایج نشان داد این روابط رگرسیون ساده در اکثر رودخانهها از دقت قابلقبولی برخوردار بوده است. ثانیاً، عملکرد 10 رابطه تجربی در پیشبینی بار بستر مورد بررسی قرار گرفت. همة فرمولها از نتایج خیلی ضعیفی برخوردار بودهاند؛ به همین دلیل پارامتـرهای مربوط به فرمولهایی که نتایج نسبتاً بهتری نسبت به فرمولهای دیگر داشتهاند، انتخاب شده و به‌منظور افزایش دقت برآورد، بار دیگر با استفاده از دو روش یادگیری ماشین مبتنی بر کرنل: ماشین بردار پشتیبان (SVM)، رگرسیون فرآیند گاوسی (GPR) مدلسازی انجام شد. نتایج حاصله نشان داد روشهای ماشینی از دقت قابلقبولی در پیشبینی بار بستر برخوردار بودهاند و مدل مربوط به پارامترهای فرمول بگنولد که شامل پارامترهای قدرت جریان، عمق جریان و قطر متوسط ذرات رسوب میباشد، با دارا بودن ضریب همبستگی و شاخص نش - ساتکلیف به ترتیب برابر 923/0R= و 851/0 NSE=برترین مدل حاصل از روشهای ماشینی میباشد. | ||
| کلیدواژه‌ها | ||
| پیشبینی رسوب؛ همبستگی آماری؛ روابط تجربی؛ ماشین بردار پشتیبان؛ رگرسیون فرآیند گاوسی | ||
| عنوان مقاله [English] | ||
| Investigation of the Effects of Hydraulic and Sedimentary Parameters on the Rate of Bed Load Transfport Using Statistical Correlations and Machine Learning Methods | ||
| نویسندگان [English] | ||
| Kiyoumars Roushangar1؛ Samira Joulazadeh2 | ||
| 1professor, Department of water engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran | ||
| 2M. Sc. of water and hydraulic structures engineering, Department of Civil Engineering, University of Tabriz, Tabriz, Iran | ||
| چکیده [English] | ||
| In hydraulic and river engineering, solid load sediment play an essential role in determining river behavior and morphological control; For this reason, the assessment and correct estimation of solid load sediment transfport from a long time ago is one of the important issues in the sciences related to river engineering and the environment. The purpose of this study is to estimate the bed load transfer in 19 gravel-bed rivers. For this purpose, first the statistical correlation trend between sediment transport parameter (bed load discharge) and hydraulic and sedimentary parameters (flow discharge, flow depth, flow velocity, the median bed material particle diameter, Froude number,…) is investigated and the bed load discharge is estimated as a univariate regression function. According to the presented results, a favorable correlation was reached between the sediment transport parameter and hydraulic and sedimentary parameters and the results showed that these simple regression relationships in most rivers had acceptable accuracy. Also, the performance of 10 experimental formulas in bed load prediction was investigated. All formulas have had very poor results. For this reason, the parameters related to the formulas that had relatively better results than the other formulas were selected and, in order to increase the estimation accuracy, once again using two kernel-based machine learning methods: Support Vector Machine (SVM). Gaussian process regression (GPR) modeling was performed. The results showed that the machine methods have acceptable accuracy in predicting the bed load and the model is related to the parameters of Begnold formula, which includes the parameters of the stream power, the average flow depth and the median bed material particle diameter, with R =0.923 and NSE =0.851 has the best results in the machine methods. | ||
| کلیدواژه‌ها [English] | ||
| Sediment Prediction, Statistical Correlation, Experimental Formula, Support Vector Machine, Gaussian Process Regression | ||
| مراجع | ||
|
Azamathulla, H.M., Chang, C.K., Ghani, A.A., Ariffin, J., Zakaria, N.A. & Hasan, Z.A. (2009). An ANFIS-based approach for predicting the bed load for moderately sized rivers. Journal of Hydro-Environment Research, 3(1), 35–44. Azamathulla, H.M., Ghani. A.A., Chang, C.K., Hasan Z.A. & Zakaria, N.A. (2010). Machine learning approach to predict sediment load a case study. Clean – Soil, Air, Water, 38(10), 969–976. Azamathulla, H. M., Haghiabi, A. H. & Parsaie, A. (2016). Prediction of side weir discharge coefficient by support vector machine technique. Water Science and Technology: Water Supply, 16(4), 1002–1016. Bagnold, R.A. (1980). An empirical correlation of bed load transport rates in flumes and natural rivers. Proceedings of the Royal Society of London. Series A 372, 453–473. Barry, J.J., Buffington, J.M. & King, J.G. (2004). A general power equation for predicting bed load transport rates in gravel bed rivers. Water Resour 40, W10401. Batalla, R.J. (1997). Evaluating bed-material transport equations from field measurements in a sandy gravel-bed river. Earth Surface Processes and Landforms, 21, 121–130. Bhattacharya, B., Price, R. K. & Solomatine, D. P. (2007). Machine learning approach to modeling sediment transport. Journal of Hydraulic Engineering, 133(4), 440–450. Brown, C.B. (1950). Sediment transportation. Engineering hydraulic, edited by H. Rouse, John Wiley, NewYork, pp. 769–857 Dibike, Y.B., Velickov, S., Solomatine, D. & Abbott, M.B. (2001). Model induction with support vector machines: introduction and applications. Journal of Computing in Civil Engineering, 15(3), 208–216. Khorram, S. & Ergil, M. (2010b). Most influential parameters for the bed-load sediment flux equations used in alluvial rivers. JAWRA Journal of the American Water Resources Association, 46(6), 1065–1090. King, J.G., Emmett, W.W., Whiting, P.J., Kenworthy, R.P. & Barry, J.J. (2004). Sediment transport Data and Related Information for Selected Coarse-Bed Streams and Rivers in Idaho. Gen. Tech. Rep. RMRS-GTR-131. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station. Kitsikoudis, V., Sidiropoulos, E. & Hrissanthou, V. (2014). Machine learning utilization for bed load transport in gravel-bed rivers. Water Resources Management, 28(11), 3727–3743. Kumar, M. & Kar, I.N. (2009). Non-linear HVAC computations using least square support vector machines. Energy Conversion and Management, 50(6), 1411–1418. Mahmoodzadeh, A., Mohammadi, M., Ibrahim, H. H., Rashid, T. H., Aldalwie, A. H. M., Ali, H. F. H. & Daraei, A. (2021). Tunnel geomechanical parameters prediction using Gaussian process regression. Machine Learning with Applications, 3. Meyer-Peter, E. & Müller, R. (1948). Formulas for bed-load transport. In Proceedings of the 2nd Meeting of the International Association for Hydraulic Structures Research, pp. 39-64. Legates, D.R. & McCabe, G.J. (1999). Evaluating the Use of “Goodness-of-Fit” Measures in Hydrologic and Hydroclimatic Model Validation. Water Resources Research, 35, 233-241. López, R., Vericat, D. & Batalla, R.J. (2013). Evaluation of bed load transport formulae in a large regulated gravel bed river: the lower Ebro (NE Iberian Peninsula). Journal of Hydrology, 510, 164–181. Pal, M. & Deswal, S. (2010). Modelling pile capacity using Gaussian process regression. Computers and Geotechnics, 37, 942-947. Pal, M., Singh, N. K. & Tiwari, N. K. (2014). Kernel methods for pier scour modeling using field data. Journal of Hydroinformatics, 16(4), 784–796. Parker, G., Klingeman, P.C. & McLean, D.G. (1982). Bedload and the size distribution of paved gravel-bed streams. Journal of the Hydraulics Division, 108(4), 544–571. Rasmussen, C. E. & Williams, C. K. (2006). Gaussian process for machine learning. volume 2. MIT press Cambridge, MA. Rezazadeh Joude, A. & Sattari, M. T. (2016). Performance assessment of Kernel-Based methods in estimation of suspended sediment loads (Case study: Maragheh SofiChay River). Physical Geography Research Quarterly, 48(3), 413-428. Rottner, J. (1959). A formula for bed load transportation. La Houille Blanche, 3(4), 301–307. Roushangar, K. & Koosheh, A. (2015). Evaluation of GA-SVR method for modeling bed load transport in gravel-bed rivers. Journal of Hydrology, 527, 1142–1152. Roushangar, K. & Ghasempour, R. (2017). Prediction of Non-Cohesive Sediment Transport in Circular Channels in Deposition and Limit of Deposition States Using SVM. Water Science and Technology: Water Supply, 17(2), 537-551. Roushangar, K. & Shahnazi, S. (2019). Prediction of sediment transport rates in gravel-bed rivers using Gaussian process regression. Journal of Hydroinformatics, 22(2), 249–262. Roushangar, K. & Shahnazi, S. (2020). Determination of influential parameters for prediction of total sediment loads in mountain rivers using kernel-based approaches. Journal of Mountain Science, 17(2). Schoklitsch, A. (1950). Handbuch des wasserbaues [Handbook of hydraulic engineering]. 2nd Ed., Springer, New York. VanRijn, L.C. (1984a). Sediment transport, Part I: Bedload transport. Journal of Hydraulic Engineering, 110(10), 1431–1456. Vapnik,V. (1995). The Nature of Statistical Learning Theory. Data Mining and Knowledge Discovery, 1-47. Vázquez-Tarrío, D. & Menéndez-Duarte, R. (2015). Assessment of bedload equations using data obtainedwith tracers in two coarse-bed mountain streams (Narcea River basin, NWSpain). Geomorphology, 238, 78–93. Wang, W., Xu, D., Chau, K. & Chen, S. (2013). Improved annual rainfall-runoff forecasting using PSO-SVM model based on EEMD. Journal of Hydroinformatics 15, 1377–1390. Wilcock, P.R. & Crowe, J.C. (2003). Surface-based transport model for mixed-size sediment. Journal of Hydraulic Engineering, 129(2), 120–128. Wong, M. & Parker, G. (2006). Reanalysis and correction of bed-load relation of Meyer- Peter and Müller using their own database. Journal of Hydraulic Engineering, 132(11), 1159–1168. Zhang, K., Wang, Z.Y. & Liu, L. (2010). The effect of riverbed structure on bed load transport in mountain streams. Mouth 6, 0-03.
| ||
|
آمار تعداد مشاهده مقاله: 252 تعداد دریافت فایل اصل مقاله: 182 |
||