نوع مقاله : پژوهشی 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
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.
ارسال نظر در مورد این مقاله