عنوان

بررسی روند تاثیرات پارامترهای هیدرودینامیـکی بر میزان انتقال بار بستر با استفاده از همبستگی های آماری و روش های یادگیری ماشینی

پ۲۴۹۱۸

per

بررسی روند تاثیرات پارامترهای هیدرودینامیـکی بر میزان انتقال بار بستر با استفاده از همبستگی های آماری و روش های یادگیری ماشینی

سمیرا جولازاده

فنی و مهندسی عمران

۱۴۰۰

۱۴۸ص.

سی دی

دکتری

عمران آب و سازه های هیدرولیکی

۱۴۰۰/۰۶/۱۷

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، مدیریت منابع آب و محیط زیست می¬باشد. تعیین میزان بار جامد رسوبـی که در رودخانه¬ها حمل می¬شـود، به عوامل مختلفی از جمله پارامتـرهای هیدرولیـکی، هیدرولوژیکی و رسوبی بستگی دارد و همین عامل باعث پیچیدگی این پدیده شده است. از طرف دیگر به علت عدم دستیابی به اطلاعات کامل و دقیق پارامترهای تاثیرگذار در فرآیند رسوب و عدم امکان بررسی تغییرات زمانی رسوبات حمل شده توسط جریان نمی¬توان مدل جامعی را در برآورد بار رسوب معرفی کرد. در این تحقیق با استفاده از داده¬های 19 رودخانه با بستر شنی, به پیش¬بینی انتقال بار بستر پرداخته شده است. بدین منظور, ابتدا روند همبستگی آماری بین پارامتر انتقال رسوب و پارامترهای هیدرودینامیکی بررسی شده و دبی بار بستر به صورت تابع رگرسیونی تک متغیره مدل¬سازی شده است. مطابق نتایج ارائه شده به یک درجه همبستگی مطلوبی بین پارامتر انتقال رسوب و پارامترهای هیدرودینامیکی رسیده شد و نتایج نشان داد این روابط رگرسیون ساده در اکثر رودخانه¬ها از دقت قابل-قبولی برخوردار بوده است. در ادامه, عملکرد 10 فرمول کلاسیک در پیش¬بینی بار بستر مورد ¬بررسی قرار گرفت. همه¬ی فرمول¬ها از نتایج خیلی ضعیفی برخوردار بوده¬اند. به همین دلیل پارامترهای مربوط به فرمول¬هایی که نتایج نسبتاً بهتری نسبت به فرمول¬های دیگر داشته¬اند, انتخاب شده و به منظور افزایش دقت برآورد، بار دیگر با استفاده از روش¬های یادگیری ماشین مدل¬سازی انجام می¬شوند در این تحقیق از روش¬های ماشینی: ماشین بردار پشتیبان(SVM)، رگرسیون فرآیند گاوسی (GPR) و شبکه عصبی مصنوعی (ANN) و یادگیری عمیق از نوع حافظه طولانی کوتاه¬مدت (LSTM) استفاده شده است. مطابق نتایج ارائه شده روش¬های ماشینی از دقت قابل¬قبولی در پیش¬بینی بار بستر برخوردار بوده و فرمول روتنر بهترین نتایج را در روابط کلاسیک و مدل مربوط به پارامترهای فرمول بگنولد بهترین نتایج را در روش-های ماشینی داشته است. و در نهایت مدل LSTM مدل برتر در پیش¬بینی بار بستر انتخاب شده است

Abstract: In hydraulic and river engineering, sedimentary solid loads play an essential role in determining river behavior and morphological control; For this reason, the correct assessment and estimation of sediment transport has long been one of the major issues in the sciences related to river engineering, water resources management and the environment. Determining the amount of solid sediment load that is carried in rivers depends on various factors such as hydraulic, hydrological and sedimentary parameters and this factor has complicated this phenomenon. On the other hand, due to the lack of complete and accurate information on the parameters affecting the sedimentation process and the impossibility of studying the temporal changes of sediments carried by the flow, a comprehensive model in estimating sediment load can not be introduced. In this study, using the data of 19 gravel-bed rivers , the bed load transport has been predicted. For this purpose, first the statistical correlation trend between sediment transport parameter and hydrodynamic parameters is investigated and the bed load flow is modeled as a univariate regression function. According to the presented results, a good correlation has been found between sediment transport parameter and hydrodynamic parameters and the results showed that these simple regression relationships in most rivers had acceptable accuracy. Also, the performance of 10 classical 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 accuracy of the prediction, modeling machine learning methods are performed again. In this study, machine methods: support vector machine (SVM), Gaussian process regression (GPR) and artificial neural network (ANN) and deep learning short-term memory (LSTM) have been used. According to the presented results, the machine methods have acceptable accuracy in predicting the bed load and the Rottner formula has the best results in the classical formulas and the model related to the parameters of the Begnold formula has the best results in the machine methods. Finally, the LSTM model has been selected as the superior model in bed load prediction.

Investigation of the effects of Hydrodynamic parameters on the rate of bed load transfport using Statistical correlations and Machine learning methods

‏‏ جولازاده،

‏ سمیرا

تهيه کننده

روشنگر،

‏ مجتهدی،

‏ کیومرث

‏علیرضا

استاد راهنما

‏ تبریز