عنوان

استفاده از ابزار هوش مصنوعی در بررسی پدیده ‮‭Hysteresis‬ در فرآیندهای هیدرولوژیکی

Number

‭۱۵۶۳پ‬

.Language of Text, Soundtrack etc

per

Title Proper

استفاده از ابزار هوش مصنوعی در بررسی پدیده ‮‭Hysteresis‬ در فرآیندهای هیدرولوژیکی

First Statement of Responsibility

/بهناز امینی

Name of Publisher, Distributor, etc.

: فنی و مهندسی عمران

Specific Material Designation and Extent of Item

‮‭۱۲۸‬ص.‬

Other Physical Details

: مصور، جدول، نمودار، عکس ‮‭۳۰‬*‮‭۲۹‬س.م-+ یک لوح فشرده

Text of Note

چاپی

Text of Note

واژه نامه بصورت زیرنویس

Text of Note

کتابنامه ص.: ‮‭۱۲۴-۱۲۶‬

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

عمران- مهندسی آب

Date of degree

‮‭۱۳۸۹/۰۶/۳۱‬

Body granting the degree

تبریز

Text of Note

بارش، رواناب و رسوب از مهمترین پارامترهای هیدرولوژیکی‌می باشند و از آنجایی که تخمین پارامترهایی مانند رواناب و رسوب در طراحی، ساخت و نگهداری سازه‌های هیدرولیکی بسیار حائز اهمیت می‌باشد، بررسی و شناخت صحیح مراحل ایجاد و انتقال آنها نیز لازم و ضروری به نظر میرسد .این تحقیق بر عدم توانایی روش‌های ساده‌ای مانند منحنی‌های سنجه متداول، برای تخمین صحیح و عدم کارایی آنها برای تفسیر دقیق تغییرات پارامترها در طول مدت زمان بارش و پس از آن، تاکید می‌کند .زیرا رابطه بارش‌رواناب، رواناب-رسوب و دبی-اشل از جمله فرآیندهایی هستند که اثر پدیده ‮‭Hysteresis‬ در آنها مشاهده شده است .به رابطه غیرهمگن موجود میان دو پارامتر، ‮‭Hysteresis‬ گفته می‌شود .این ناهمگنی موجود در رابطه بین پارامترها، هنگام رسم منحنی سنجه مربوط به پارامترهای موردنظر، تولید حلقه‌هایی می‌کند که به این حلقه‌ها، حلقه‌های ‮‭Hysteretic‬ گفته میشود .علی‌رغم اهمیت مسئله و تاثیر بسزای پدیده ‮‭Hysteresis‬ در فرآیندهای مذکور، تحقیقات بسیار اندکی جهت مدلسازی آن صورت گرفته است .در این تحقیق کاربرد شبکه عصبی مصنوعی برای مدلسازی و بررسی اثر پدیده ‮‭Hysteresis‬ در فرآیندهای هیدرولوژیکی برای حوضه رودخانه ایل واقع در ایالت کالیفرنیا در کشور آمریکا، مورد بررسی قرار گرفته است .در این تحقیق از شبکه عصبی مصنوعی پیش خور پس انتشار خطا ‮‭(Feed Forward Back Propagation)‬ با الگوریتم بهینه‌سازی لونبرگ- مارکوارت جهت ایجاد مدل‌های سه لایه‌ای استفاده شده است .بررسی پدیده ‮‭Hysteresis‬ در فرآیندهای هیدرولوژیکی مذکور، در دو گام انجام گرفت.در گام اول مدل‌های شبکه عصبی مصنوعی مختلف برای تخمین رواناب و رسوب حوضه آبریز مذکور ایجاد شده و بهترین آنها بر اساس معیار کارایی مدل انتخاب گردید و در گام دوم منحنی‌های بارش-رواناب و دبی-رسوب برای داده‌های مشاهداتی و محاسباتی رسم گردید .این منحنی‌ها انواع اشکال مختلف حلقه‌های ‮‭Hysteretic‬ را نشان می‌داد، لذا در این مرحله پس از رسم منحنی‌ها، به دسته‌بندی انواع مختلف حلقه‌ها و شناخت علل و عوامل دخیل در ایجاد هر یک از این حلقه‌ها پرداخته شد .نتایج حاصله توانایی مدل‌های شبکه عصبی مصنوعی را برای انعکاس اثر پدیده ‮‭Hysteresis‬ در روابط بارش-رواناب و رواناب-رسوب بخوبی نشان می‌دهد .در آخر سعی بر این شده که نوع معادله حاکم بر هر یک از انواع حلقه‌صهای ‮‭Hysteretic‬ را تعیین کرد .

Text of Note

The basic parameters of a hydrological event are rainfall, runoff and suspended sediment. Whereas the estimation of parameters such as runoff and suspended sediment are very important for design, planning and management of hydraulic structures, so it seems that the accurate assessment and knowledge of production and transportation processes are really necessary. The heterogeneous relationship between two parameters is named as Hysteresis. This heterogeneous relationship between parameters causes loops which are called hysteretic loops. However this object is so important and hysteresis has an essential effect on mentioned processes, there is only a few studies that modeling this phenomenon. The rainfall-runoff, runoff-sediment and stage-discharge relationships are the hydrological processes which hysteresis phenomenon may be exist, so the present study emphasizes the inability of simple methods such as rating curves for exact estimation and description of variations of parameters during a storm event and after that. In this research, application of the artificial neural network is used for modeling and study the effect of hysteresis phenomenon in hydrological processes for Eel River watershed located at California, USA. Also, the three-layer feed forward back propagation artificial neural network model trained with Levenberg- Marquardt optimization algorithm was used in this study. Investigation of hysteresis phenomenon in the mentioned hydrological processes was structured in two steps. In the first step, the different artificial neural network models were developed for runoff and sediment estimation of watershed and best of them selected according to the evaluation criteria. In the second step, curves of rainfall-runoff and runoff-suspended sediment were drawn for observed and computed data. These curves were shown different patterns of hysteretic loops, so that in this stage after drawing the relevant curves, different types of loops have been categorized according to the determinant conditions. The results show the ability of artificial neural network models for reflection effect of hysteresis phenomenon in rainfall-runoff and runoff-suspended sediment relationships. Finally curve fitting was used as an approach to find what kind of equations match with these curves.

Rainfall

Runoff

Water Stage

Suspended Sediment

Rating Curve

امینی، بهناز

نورانی، وحید، استاد راهنما

اعلمی، محمد تقی، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی