تخمین بار معلق رسوب به وسیله مدل یادگیری عمیق-موجک و شبکه عصبی مصنوعی کلاسیک
First Statement of Responsibility
علیرضا متدین
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
پردیس دانشگاه تبریز
Date of Publication, Distribution, etc.
۱۴۰۰
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۵۸ص.
Accompanying Material
سی دی
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی عمران گرايش مهندسی آب و سازههاي هيدروليكي
Date of degree
۱۴۰۰/۱۱/۱۷
SUMMARY OR ABSTRACT
Text of Note
پدیده هاي فرسایش و انتقال رسوب در رودخانه ها یکی از مهم ترین و پیچیده ترین موضوعات مهندسی رودخانه می باشد. این پدیده ها اثرات ویژه اي روي شاخص هاي کیفی آب، کنش کف بستر و کناره هاي رودخانه داشته و همچنین خسارات جبران ناپذیري به طرح هاي عمرانی آب وارد می نماید. از این رو تخمین دقیق میزان رسوب رودخانه ها اهمیت قابل توجهی در مدیریت منابع آب، طراحی، ساخت و همچنین در بهره برداري از سازه هاي آبی دارد.در این پژوهش، مسئله پیش بینی بار معلق رسوبی دو رودخانه میسوری و می سی سی پی با استفاده از مدل های جعبه سیاه هوش مصنوعی ، مورد بررسی قرار گرفته است. با استفاده از داده های هجده ساله دبی و دبی رسوبی در مقیاس روزانه از دو ایستگاه مختلف از رودخانه می سی-سی پی و یک ایستگاه از رودخانه میسوری با استفاده از دو ابزار مدل حافظه بلند-کوتاه مدت (یادگیری عمیق) و شبکه عصبی پیشرو (شبکه عصبی مصنوعی کلاسیک)، دو سناریو در نظر گرفته شد. سناریوی اول دبی رسوبی در هر ایستگاه را به طور جداگانه مورد مدلسازی قرار داد. اما در سناریوی دوم، داده های هر سه ایستگاه منتخب برای مدلسازی بار معلق رسوبی ایستگاه رودخانه می سی سی پی که در موقعیت پایین دستی و پس از به هم پیوستن دو رودخانه به همدیگر قرار گرفته شده است به کار گرفته شد، (در هر سناریو ترکیبات ورودی مختلفی برای مدلسازی و آنالیز شرایط متفاوت در نظر گرفته شده است) پس از آن، برای بهبود عملکرد مدل سازی، ابتدا سری های زمانی توسط موجک تجزیه شده و سپس با مدل های FFNN و LSTM مدلسازی گردید. نتایج حاکی از آن است که به کارگیری تبدیل موجک به عنوان پیش پردازش باعث بهبود عملکرد مدلسازی شده است، به طوری که مدل های هیبریدی با هر دو نوع شبکه عصبی مصنوعی در سناریوی اول تا 19% و در سناریوی دوم تا 42% شاخص های نکویی برازش را ارتقاء می بخشد. همچنین با مقایسه نتایج مدل یادگیری عمیق-موجک و شبکه عصبی مصنوعی کلاسیک مشخص گردید مدل هیبریدی یادگیری عمیق نتایج مدل سازی مذکور را در سناریوی ایستگاه های جداگانه مابین 8% الی 28% و در سناریوی چند ایستگاهه 66% ارتقا می بخشد.
OTHER VARIANT TITLES
Variant Title
Suspended Sediment Load Prediction by Wavelet-Deep Learning and Classic Artificial Neural Network