NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
INTERNAL BIBLIOGRAPHIES/INDEXES NOTE
Text of Note
واژه نامه به صورت زیرنویس
Text of Note
کتابنامه ص : ۹۳-۹۵
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
عمران-سازه های هیدرولیکی
Date of degree
۱۳۸۵/۱۲/۰۶
Body granting the degree
تبریز : دانشگاه تبریز
SUMMARY OR ABSTRACT
Text of Note
رسوبات حمل شده توسط رودخانه میتواند باعث بوجود آمدن خساراتی به طبیعت، کشاورزی و تأسیسات آبی گردد .برآورد صحیح بار رسوبی در تأسیسات آبی ( مانند سد) باعث جلوگیری از صرف هزینههای اضافی خواهد شد .کشور ما ایران با دارا بودن رودخانههای متعدد، پتانسیل بالایی جهت ایجاد سد دارد که مخزن آنها اغلب در معرض رسوب گذاری است و از طرفی همه ساله سیل در نقاط مختلف کشور باعث ایجاد خسارتهای فراوانی میگردد که یکی از دلایل، کاهش یافتن ظرفیت حمل آب توسط مقطع رودخانه به دلیل انباشتگی رسوبات میباشد .لذا بررسی پدیده رسوب و برآورد رسوب حمل شده توسط رودخانه اهمیت خاصی خواهد داشت .در این راستا تخمین بار معلق رسوب، توجه مدلسازهای شبکههای عصبی مصنوعی را به خود معطوف کرده است .در این تحقیق از شبکه های عصبی مصنوعی برای برآورد رسوب سه ایستگاه مرکید، ونیار و آخولا واقع بر روی رودخانه آجی چای در استان آذربایجان شرقی استفاده شده است .اطلاعات این ایستگاه ها شامل دبی و رسوب روزانه می باشد .در این پژوهش، از دو نوع شبکه پیش خور پس انتشار خطا (Feed Forward Back Propagation) و شبکه های رگرسیونی تعمیم یافته (Generalized Regression Neural networks) برای تخمین رسوب استفاده شده است .در مراحل مختلف تحقیق اثرات هر یک از این عوامل) در قالب ترکیبات مختلف (در کارایی شبکه، مورد بررسی قرار گرفته است .ابتدا اثر عوامل مختلف از قبیل لگاریتمی بودن داده ها، بازه های مختلف نرمال سازی، الگوریتم های مختلف آموزشی و تعداد لایه های میانی بر روی عملکرد شبکه های عصبی مصنوعی در هر یک از سه ایستگاه، آزمایش شده است .سپس به منظور بررسی تاثیر رسوب و دبی ایستگاه های بالادست، علاوه بر دادههای ایستگاه آخولا از دادههای ایستگاههای ونیار و مرکید برای تربیت شبکة عصبی) تخمین چند ایستگاهه (استفاده شده که بهترین نتیجه را برای ایستگاه مذکور در پی داشته است .در ادامه از روش های منحنی سنجه ورگرسیون خطی چند متغیره نیز برای برآورد رسوب این ایستگاه ها استفاده شده و نتایج بدست آمده با شبکه های عصبی مقایسه شده است .برای بهینهسازی ضرایب رگرسیونی منحنی سنجه از الگوریتم ژنتیک استفاده شده که نتایج چندان مطلوبی به همراه نداشت .با توجه به نتایج بدست آمده تخمین چند ایستگاهه با استفاده از شبکههای عصبی ، کارایی مناسبی دارد.
Text of Note
Sediment transport in a river can cause main damages to nature, agriculture and water installations. Accurate estimation of sediment load before any hydraulic structure design (such as dam) can prevent excess costs. Our country, Iran, with several rivers, has high potential for dam construction often subjected reservoir sedimentation. The river capacity is reduced by sediment deposition and it's the major reason of flooding in which usually cause high damages in various places of the country every year. Therefore investigation about sediment transport and its modeling have dominant importance. In this way, calculation of suspended sediment load is taken in account by the artificial neural networks experts. In this research, artificial neural networks are used in order to estimate suspended sediment load of Markid, Vanyar and Akhola stations which are located by the side of the Ajichay river at east Azarbaijan. The available data for the hydrometric stations are daily discharge and average sediment load for some days. In the current study, two types of networks i.e. feed forward back propagation and generalized regression neural networks are used for sediment estimation. In the various sections of the thesis, the effects of different combinations of these variables on the model performance are investigated. First, the effects of various factors such as logarithmic data as the networks input, normalization ranges, training algorithms and the number of hidden layers, on the model efficiency are inspected for every station. In order to exanimate the effect of the upstream stations load (i.e. Markid and Vanyar) on the Akhola station load, the data of Markid and Vanyar stations are used for neural networks training in which gives the best result for sediment estimation of Akhola station. Furthermore, sediment rating curves and linear regression models are also used in order to estimate the sediment load of the stations. Genetic algorithm is used for optimization of the regression coefficients of the sediment rating curves; it is observed that genetic algorithm approach has no more advantages. In comparison with classical parameter estimation methods results; it's obvious that multi site estimation of the sediment by artificial neural networks can lead to desired results.