عنوان

پیش بینی غلظت بار معلق رسوبی (SSC) روزانه رودخانه ها با استفاده از روش های یادگیری ماشین و ارزیابی تاثیر الگوریتم های ژنتیک و گرادیان کاهشی تصادفی بر مدل ها

شماره

پ۲۹۳۸۰

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

پیش بینی غلظت بار معلق رسوبی (SSC) روزانه رودخانه ها با استفاده از روش های یادگیری ماشین و ارزیابی تاثیر الگوریتم های ژنتیک و گرادیان کاهشی تصادفی بر مدل ها

نام نخستين پديدآور

کسری پورسنقری

نام ناشر، پخش کننده و غيره

کشاورزی

تاریخ نشرو بخش و غیره

۱۴۰۲

نام خاص و کميت اثر

۶۲ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

علوم و مهندسی آب گرایش سازه های آبی

زمان اعطا مدرک

۱۴۰۲/۰۶/۲۷

متن يادداشت

پیش‌بینی دقیق پارامترهای مؤثر در مدیریت منابع آب، یکی از مسائل حیاتی در زمینه مهندسی آب است. از میان این پارامترها، بار رسوبات معلق در رودخانه‌ها به دلیل اثرات مخرب آن بر شاخص‌های کیفیت آب، کاهش ظرفیت مخازن آبی، و تغییرات در ساختار رودخانه، اهمیت خاصی دارد. در واقع، توسعه روش‌های مناسب و دقیق برای پیش‌بینی بار رسوبی رودخانه‌ها می‌تواند به عنوان یکی از چالش‌های مهم در فرآیند فرسایش و رسوب‌گذاری مطرح شود. با توجه به پیچیدگی پدیده رسوب و دشواری در تعیین دقیق معادلات حاکم به دلیل وجود پارامترهای متنوع و تغییرات مکانی و زمانی در شرایط هیدرولوژیکی حوضه آبی و مشکلات مرتبط با تعیین تأثیرات آنها، پژوهشگران به استفاده از مدل‌های جعبه سیاه مانند شبکه‌های عصبی مصنوعی روی آورده‌اند. در این تحقیق، به بررسی کارآیی این شبکه‌ها در تخمین و پیش‌بینی غلظت بار رسوب معلق در رودخانه‌ها پرداخته‌می‌شود. تلاش‌ها به منظور کشف رویکردهای نوآورانه، از تکنیک‌های رایج مانند جنگل تصادفی (RF)، پرسپترون چند لایه (MLP)، الگوریتم ژنتیک (GA)، و الگوریتم گرادیان کاهشی تصادفی (SGD) برای بهبود دقت مدل‌های ما (GA-MLP، GA-RF، SGD-MLP، SGD-RF) صورت گرفته است. این تحقیق بر مبنای داده‌های جمع‌آوری شده در طول دوره آماری ۱۳ ساله از دو ایستگاه رودخانه به نامهای اوردوباد و هورادیز واقع در رودخانه ارس، انجام شده است.هدف اصلی این تحقیق استفاده از روش‌های یادگیری ماشین و الگوریتم‌های بهینه‌سازی برای بدست آوردن تخمین دقیق از غلظت بار رسوب معلق در ایستگاه‌های انتخابی است. در نهایت، دقت نتایج به‌وسیله پارامترهای ارزیابی مانند CC، SI، WI، NSE و RAE با یکدیگر مقایسه خواهد شد، که امکان ارزیابی جامع عملکرد مدل‌ها را فراهم می‌سازد.

متن يادداشت

Abstract:The accurate prediction of parameters essential for water resource management is a crucial concern in the field of water engineering. Among these parameters, the concentration of suspended sediment load in rivers holds particular significance due to its adverse effects on water quality indices, reduction of reservoir capacity, and alterations in river morphology. In fact, developing precise and appropriate methods for predicting sediment loads in rivers can be considered a significant challenge in the erosion and sedimentation process. Given the complexity of sedimentation phenomena and the difficulty in accurately determining governing equations due to diverse parameters and spatiotemporal variations in hydrological basin conditions and associated challenges in assessing their impacts, researchers have turned to the use of black-box models such as artificial neural networks.In this study, we investigate the performance of these networks in estimating and predicting the concentration of suspended sediment load in rivers. Efforts have been made to explore innovative approaches using common techniques such as Random Forest (RF), Multilayer Perceptron (MLP), Genetic Algorithm (GA), and Stochastic Gradient Descent (SGD) to enhance the accuracy of our models (GA-MLP, GA-RF, SGD-MLP, SGD-RF). This research is based on data collected over a 13-year statistical period from two river stations named Ordebod and Horadiz, located on the Aras River.The primary objective of this research is to utilize machine learning methods and optimization algorithms to obtain accurate estimates of the suspended sediment load concentration at selected stations. Ultimately, the accuracy of the results will be compared using evaluation parameters such as CC, SI, WI, NSE, and RAE, allowing for a comprehensive assessment of the models' performance.

عنوان گونه گون

Predicting daily suspended sediment concentration (SSC) in rivers using machine learning methods and evaluating the impact of genetic algorithms and random gradient descent algorithms on the models

عنصر شناسه اي

‏ پورسنقری،

ساير عناصر نام

‏کسری

کد نقش

تهیه کننده

عنصر شناسه اي

‏عباسپور،

عنصر شناسه اي

فرسادی زاده،

ساير عناصر نام

‏اکرم

ساير عناصر نام

‏ داود

تاريخ

استاد راهنما

تاريخ

استاد راهنما

عنصر شناسه اي

‏ تبریز