بررسی آزمایشگاهی موقعیت تشکیل حفره آبشستگی در پایین‏دست سدها و پیش‏‌بینی آن به کمک روش‌‏های داده‏‌کاوی

نوع مقاله : کاربردی

نویسندگان

1 دانشجوی دکتری تخصصی، گروه مهندسی آب، دانشگاه تبریز، ایران

2 دانشیار، گروه علوم زمین، دانشگاه تبریز، ایران

3 دانشیار، گروه مهندسی آب، دانشگاه تبریز، ایران

چکیده

عوامل مختلفی بر محل تشکیل حفره آبشستگی ایجاد شده در اثر جریان‌‏های ریزشی تأثیر دارند. ازجمله این عوامل عمق پایاب، ارتفاع ریزش، سرعت جریان، سطح مقطع جریان ریزشی، زاویه برخورد جریان و میزان هوای ورودی به جریان می‏‌باشد. در تحقیق حاضر محل تشکیل حفره آبشستگی به‌‏صورت آزمایشگاهی در آزمایشگاه هیدرولیک دانشگاه تبریز بررسی شد. همچنین توانایی شبکه‏‌‏‏های عصبی مصنوعی و مدل‏‌های درختی (مدل درختی M5P) در تخمین محل ایجاد حفره آبشستگی در پایین‌‏دست سدها با استفاده از داده‏‌‏های آزمایشگاهی بررسی شده و نتایج این دو مدل با روش رگرسیونی غیر خطی چند متغیره مقایسه شد. نتایج نشان داد هر سه روش، شبکه عصبی مصنوعی، مدل درختی M5 و روش رگرسیونی نتایج نسبتاَ دقیقی را در پیش‌‏بینی محل تشکیل حفره آبشستگی ارائه م‌ی‏دهند؛ که برای مقدار RMSE،ا M5 =3.75 ،ANN =1.75 و Regression=3.89 می‌‏باشند، ولی به دلیل ارائه روابط خطی ساده توسط مدل درختی M5، این روش می‌تواند به‌‏عنوان روشی کاربردی برای تعیین محل تشکیل حفره آبشستگی مورد استفاده قرار گیرد. تحلیل مدل درختی M5 نشان داد که 4 رابطه با معادلات خطی متفاوت، الگوی تغییرات محل تشکیل حفره آبشستگی را مدل می‏‌کنند. علاوه‌‏براین، تجزیه و تحلیل نتایج آزمایشگاهی نشان داد روابط رگرسیونی ارائه شده در تحقیق حاضر نسبت به روش رایج (استفاده از معادلات پرتابه)، خطای خیلی کمتری در هنگام پیش‏‌بینی محل تشکیل حفره آبشستگی دارند. همچنین نتایج آزمایشگاهی نشان داد ارتفاع آب گذرنده از روی سازه موثرترین پارامتر در محل تشکیل حفره آبشستگی می‏‌باشد.

کلیدواژه‌ها

موضوعات


حسینی، خسرو، نوخاسته، حامد، کرمی، حجت، و سلامتیان، سید امین. (1395). مطالعه عددی آب‌شستگی جت ریزشی آزاد. مهندسی عمران فردوسی، 28(2), 9-22، . doi: 10.22067/civil.v28i2.36669
سلماسی، فرزین، نهرین، فرناز، و طاهری اقدم، علی. (1401). استفاده از شبکه عصبی مصنوعی و مدل درختی M5 برای تعیین ضریب دبی سرریز لبه پهن مستطیلی .نشریه مهندسی عمران امیرکبیر، 54(12)، 4458-4435. doi: 10.22060/ceej.2022.18990.7021
شریف زاک، مسعود، و بارانی، غلام‌عباس. (1390). پیش بینی دبی جریان در کانال‏های مرکب با استفاده ازالگوریتم شبکه‏‌های عصبی. اولین کنفرانس ملی عمران توسعه. دانشگاه آزاد اسلامی زیباکنار، رشت، ایران.
صبا، حمیدرضا، کمالیان، محسن، و رئیسی‌زاده، احسان. (1397). تعیین آستانه لغزش پایداری شیروانی و بهینه یابی حجم عملیات خاکریزی سد خاکی همگن با استفاده از ترکیب شبکه عصبی و الگوریتم ژنتیک. نشریه مهندسی عمران امیرکبیر، 50(4)، 747-754. doi:10.22060/ceej.2017.11051.4965
طاهری اقدم، علی، نورانی، بهرام، ارونقی، هادی، و سلماسی، فرزین. (1400). محاسبه ارتفاع آبشار در پایین‌دست سرریزهای اوجی جهت کنترل پرش هیدرولیکی. مدل‏سازی و مدیریت آب و خاک، 1(1)، 1-12. doi: 10.22098/MMWS.2021.1174
فلاحی، محمد  رضا،  وروانی، هادی، و گلیان، سعید. (1390). پیش‏بینی بارش با استفاده از مدل رگرسیون درختی به‌‏منظور کنترل سیل. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک کشور. انجمن مهندسی آبیاری و آب ایران، کرمان، ایران. 
کانتاردزیک، مهمد. (1392). داده کاوی. مترجم: امیر علیخوان زاده. انتشارات علوم رایانه. چاپ اول. مشهد، ایران.
Bhattacharya, B., & Solomatin, D.P. (2004). Neural networks and M5 model trees in modeling water level-discharge relationship. Neurocomputing. 63, 381-396. https://doi.org/10.1016/j.neucom.2004.04.016
He, Y., Zhu, D.Z., Zhang, T., Shao, Y., & Yu, T. (2017). Experimental observations on the initiation of sand-bed erosion by an upward water jet. Journal of Hydraulic Engineering, 143(7). 06017007. https://doi.org/10.1061/(ASCE)HY.1943-7900.0001302
Hall, m., Frank, E., Holmes, G., Pfahringer, B., Reutemann, P., & Witen, L.H. (2009). The WEKA Data Mining Software: An Update. ACM SIGKDD Explorations Newsletter, 11(1), 10-18.
Karamigolbaghi M., Ghaneeizad S.M., Atkinson J.F., Bennett S.J. and Wells R.R. (2017). Critical assessment of jet erosion test methodologies for cohesive soil and sediment. Geomorphology,  295, 529-536. https://doi.org/10.1016/j.geomorph.2017.08.005
Mason P.J. (1983). Energy dissipating crest splitters for concrete dams, Water Power and Dam Construction, 35(10), 37-40.
Pagliara, S., Roy, D., & Palermo, M. (2009). 3D plunge pool scour with protection measures, Journal of Hydro-environment Research., 4, 225-233. https://doi.org/10.1016/j.jher.2009.10.014
Pal, M., (2006). M5 model tree for land cover classification. International Journal of Remote Sensing, 27(4), 825-831. https://doi.org/10.1080/01431160500256531
Sattari, M.T., Anli, A.S, Apaydin, H. & Kodal, S. (2012). Decision trees to determine the possible drought periods in Ankara. Atmosfera, 25, 65-83.
Salmasi, F., Nouri, M., Sihag, P. & Abraham, J. (2021). Application of SVM, ANN, GRNN, RF, GP and RT models for predicting discharge coefficients of oblique sluice gates using experimental data, Water Supply, 21(1), 232–248. https://doi.org/10.2166/ws.2020.226
Solomatine, D.P., & Xue, Y. (2004). M5 model trees and neural networks: Application to flood forecasting in the upper reach of the Huai River in China. Journal of Hydrologic Engineering, 9, 491–501. doi: 10.1061/(ASCE)1084-0699(2004)9:6(491)
United States Bureau of Reclamation (USBR). (1960). Design of small dams. United States Department of the Interior, United States Government Printing Office. 1st Ed. Denver, 282–291.
CAPTCHA Image
دوره 10، شماره 2 - شماره پیاپی 28
حل مشکل آب در پیوند با انرژی
شهریور 1402
صفحه 99-108
  • تاریخ دریافت: 12 آذر 1401
  • تاریخ بازنگری: 07 اسفند 1401
  • تاریخ پذیرش: 08 اسفند 1401
  • تاریخ اولین انتشار: 01 شهریور 1402