عنوان

ارتقا و بهسازی مدل های نیمه تجربی در پیش بینی بار مواد بستر با استفاده از توسعه روش های برنامه ریزی بیان ژن(GEP) و روش اسپلاین رگرسیونی تطبیقی چند متغیره(MARS)

پ۲۶۰۰۷

per

ارتقا و بهسازی مدل های نیمه تجربی در پیش بینی بار مواد بستر با استفاده از توسعه روش های برنامه ریزی بیان ژن(GEP) و روش اسپلاین رگرسیونی تطبیقی چند متغیره(MARS)

محمود ذاکری

فنی و مهندسی عمران

۱۴۰۰

۱۱۰ص.

سی دی

کارشناسی ارشد

مهندسی و مدیریت منابع آب

۱۴۰۰/۱۱/۲۰

ارزیابی و برآورد انتقال رسوب و فرآیند های همراه آن، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. تعیین میزان بار بستری که در رودخانه ها حمل می شود، به عوامل متعددی از جمله پارامترهای هیدرولیکی، هیدرولوژیکی،رسوبی و ... بستگی دارد و همین عامل باعث پیچیدگی این پدیده شده است. ارائه راه‌حلی مناسب جهت برآورد دقیق بار رسوب رودخانه ها در پروژه های آبی، مهندسی رودخانه و آبیاری کاربرد های فراوانی دارد. امروزه استفاده از روش های هوش مصنوعی به عنوان راهکاری جدید در تحلیل مسائل آبی گسترش یافته است. در این مطالعه روش های برنامه ریزی بیان ژن(GEP) و روش اسپلاین رگرسیونی تطبیقی چندمتغیره(MARS) برای برآورد بار کل رسوب مورد استفاده قرار گرفته است. در تحقیق کنونی بار کل رسوبی برای890 داده از 19 رودخانه با بستر درشت دانه واقع در ایالت آیداهو در ایالات متحده آمریکا بین سال های 1993 تا 2000 جمع آوری شده و سپس با استفاده از روش‌های GEP و MARS مدل سازی می شوند. به منظور بررسی دقت نتایج حاصله ، از روش های خطای جذر میانگین مربعات (RMSE)، ضریب همبستگی(R) و همبستگی خطی(DC) استفاده می شود. در ادامه با مقایسه دو روش GEP و MARS و مقایسه این دو روش با روابط کلاسیک، دقت و کارایی بالای این روش‌ها نسبت به مدل‌های کلاسیک مشخص می‌گردد. بهترین مدل در این تحقیق مربوط به مدلH2 که توسط GEP به دست آمده ، می‌باشد همچنین نتایج نشان می‌دهد روش GEP قادر است، تنها به وسیله پارامتر‌های هیدرولیکی جریان به نتایج مناسب و قابل و قبولی دست یابد. همچنین نتایجی که از آنالیز حساسیت مدل‌های برتر به دست آمده، نشان می‌دهد که پارامتر نسبت سرعت برشی به سرعت متوسط جریان ( V/U) به عنوان تاثیر گذارترین پارامتر و پارامتر عدد فرود (Fr) نیز به عنوان دومین پارامتر تاثیرگذار در پیش‌بینی بارکل رسوبی در هر دو روش GEP و MARS می‌باشد

Abstract : Assessing and estimating sediment transport and associated processes has long been a major issue for hydraulic and river engineers. Determining the amount of bed load that is carried in rivers depends on several factors, including hydraulic, hydrological, sedimentary parameters, etc., and this factor has complicated this phenomenon. Providing a suitable solution for accurate estimation of river sediment load has many applications in water projects, river engineering and irrigation. Today, the use of artificial intelligence methods as a new solution in the analysis of water issues has expanded. In this study, gene expression programming (GEP) and multivariate adaptive regression spline (MARS) methods have been used to estimate the total sediment load. In the present study, total sediment load was collected for 890 data from 19 coarse-grained rivers in Idaho, USA between 1993 and 2000, and then modeled using GEP and MARS methods. In order to evaluate the accuracy of the obtained results, the methods of square root mean error (RMSE), correlation coefficient (R) and linear correlation (DC) are used. In the following, by comparing the two methods of GEP and MARS and comparing these two methods with classical relations, the high accuracy and efficiency of these methods compared to the classical models are determined. The results also show that the shear velocity to average flow velocity ratio parameter (V/U) is the most effective parameter and the landing number (Fr) parameter is the second most effective parameter in predicting total sediment load in both GEP and MARS methods. The best model in this research is related to the H2 model obtained by GEP. Also, the results show that the GEP method is able to achieve appropriate and acceptable results only by flow hydraulic parameters. Also, the results obtained from the sensitivity analysis of the superior models show that the parameter of shear velocity ratio to average flow velocity (V / U) is the most effective parameter and the landing number (Fr) parameter is the second most effective parameter in predicting sediment load In both methods it is GEP and MARS.

Upgrade And Improvement Of Semi Empirical Models In Predicting Bed Material Load Using Gene Expression Programming (GEP) And Multi Adaptive Regression Spline (MARS)

‏ذاکری،

‏‏محمود

تهيه کننده

‏روشنگر،

‏کلاته،

‏کیومرث

فرهود‌

استاد راهنما

استاد مشاور

‏ تبریز