عنوان

استفاده از مدل تفهیمی خطی‌کننده چندگانه و شبکه عصبی مصنوعی برای روندیابی جریان

شماره

‭۱۷۶۰۱پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

استفاده از مدل تفهیمی خطی‌کننده چندگانه و شبکه عصبی مصنوعی برای روندیابی جریان

نام نخستين پديدآور

/سامان پوربایرامی

نام ناشر، پخش کننده و غيره

: عمران

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۶‬

نام توليد کننده

، میرزائی

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

عمران گرایش مهندسی و مدیریت منابع آبی

زمان اعطا مدرک

‮‭۱۳۹۶/۰۶/۲۰‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

مدل‌سازی فرآیند بارش-رواناب در حوضه، از نقطه نظر مدیریت منابع آب، مهندسی رودخانه و سازه‌های کنترل سیل و ذخیره‌ی سیلاب اهمیت دارد .از سوی دیگر محاسبه‌ی نرخ جریان سیلاب نیز مهم است زیرا این نرخ جریان تعیین کننده‌ی ارتفاع سطح آب می‌باشد، ضمن این‌که طراحی هرنوع سازه‌ی ذخیره‌ی آب مثل آبگیرها یا مخازن تاخیری نیز نیازمند تخمینی از هیدروگراف جریان آب ورودی به آن است .با توجه به این موضوع، در مرحله‌ی اول مدل‌سازی فرآیند بارش-رواناب و در مرحله‌ی دوم روندیابی جریان سیلابی ناشی از این بارش‌ها در رودخانه از اهمیت خاصی برخوردار است .در این پژوهش، امکان استفاده از یک مدل شبکه عصبی جهت مدل‌سازی بارش-رواناب در بالادست و روندیابی جریان با مدل خطی کننده‌ی چندگانه) چندخطی (در قسمتی از رودخانه‌ی سن واکین در ایالت کالیفرنیای آمریکا بررسی گردید .ابتدا با استفاده از یک شبکه عصبی مصنوعی نرخ جریان آب در بالادست رودخانه شبیه‌سازی شده، سپس این جریان در رودخانه، با بهره‌گیری از روابط تجربی دبی بیشینه-زمان پیمایش) جهت تخمین پارامترهای مدل (در حین ورود جریان جانبی به رودخانه روندیابی می‌شود .بدین منظور از داده‌های بارش یک ایستگاه بالادست و مقادیر دبی درایستگاه‌های ابتدا و انتهای بازه‌ی مدل‌سازی شده‌ی رودخانه و در محل ورود جریان جانبی استفاده شده است .ابتدا مقادیر زمان پیمایش مربوط به دبی بیشینه‌ی هرسیلاب استخراج شده و نمودار دبی بیشینه-زمان پیمایش هرسیلاب با استفاده از ‮‭۵۱‬ سیلاب در بین سال‌های ‮‭۱۹۹۶‬ و ‮‭۲۰۱۱‬ رسم گردید .سپس یک رابطه‌ی تکه‌ای سه‌خطی تجربی به این نمودار، برازش داده شد .سپس این روابط جهت تخمین مقادیر زمان پیمایش، در معادلات مدل خطی کننده‌ی چندگانه برای روندیابی چندخطی سیلاب‌های بین سال‌های ‮‭۲۰۱۱‬ و ‮‭۲۰۱۶‬ استفاده شدند .در قدم بعد از داده‌های ساعتی بارش و رواناب بین سال‌های ‮‭۱۹۹۸‬ و ‮‭۲۰۱۱‬ برای واسنجی و صحت‌سنجی شبکه عصبی مصنوعی و از داده‌های ساعتی بارش و رواناب بین سال‌های ‮‭۲۰۱۱‬ و ‮‭۲۰۱۶‬ جهت تخمین مقادیر رواناب) دبی (ساعتی در رودخانه استفاده گردید .برای مدل‌سازی بارش رواناب و تخمین دبی ورودی به رودخانه از سه شبکه با ساختار های‮‭(۲‬ ،‮‭۸‬،‮‭۱)‬،‮‭(۳‬ ،‮‭۱۰‬،‮‭۱)‬،‮‭(۴‬ ،‮‭۹‬، ‮‭۱)‬استفاده شد .نتایج نشان دادند که هرسه شبکه قابلیت نسبتا بالایی در مدل‌سازی بارش-رواناب و تخمین مقادیر رواناب دارند .در نهایت مقادیر رواناب) دبی (تخمین زده شده توسط شبکه عصبی به عنوان ورودی به مدل خطی کننده‌ی چندگانه در ابتدای رودخانه درنظر گرفته شد و روندیابی چندخطی سیلاب‌های بین سال‌های ‮‭۲۰۱۱‬ و ‮‭۲۰۱۶‬ با استفاده از مدل خطی کننده‌ی چندگانه انجام گرفت .نتایج حاکی از دقت نسبتا خوب روابط تجربی در تخمین مقادیر زمان پیمایش هر سیلاب و همچنین عملکرد نسبتا دقیق شبکه عصبی در تخمین مقادیر رواناب ورودی به رودخانه و مدل خطی کننده‌ی چندگانه در تخمین مقادیر دبی خروجی از رودخانه بود .مقادیر تخمینی رواناب توسط شبکه با ساختار‮‭(۴‬ ،‮‭۹‬، ‮‭۱)‬هنگامی که به عنوان ورودی به رودخانه به کار رفتند، بهترین عملکرد را در تخمین دبی خروجی از رودخانه در قیاس با شبکه های دیگر دارا بوده و میانگین مقادیر معیار نش-ساتکلیف آن برابر با ‮‭۹۲۲۰/۰‬ است .میانگین مقادیر معیار نش-ساتکلیف منتج از داده های مشاهداتی برابر با ‮‭۹۳۰۲/۰‬ بوده و نشان دهنده‌ی اختلاف ‮‭۰۰۸۲/۰‬ می باشد

متن يادداشت

Rainfall-Runoff modelling in basin, from the point of view of water resources management, river engineering, flood control structures and flood storage is important. On the other side, calculation of flood rate is important too; because this flood rate determines the water level and also because the design of any flood structure such as a detention pond or reservoir requires an estimate of the inflow hydrograph. According to the cause, in first step rainfall-runoff modelling and in second step routing the flow in the river is so important. In this research, usability of an Artificial Neural Network (ANN) Model on the upstream to rainfall-runoff modelling and flood routing with Multiple Linearization (Multilinear) in part of San Joaquin River in California, USA is investigated. First, using an artificial neural network (ANN), the water flow rate is simulated at the upstream of the river, then this flow in the presence of lateral flow is routing using empirical relationships of peak discharge-travel time (to estimate model parameters). For this purpose, precipitation data at the upstream station and discharge data at the beginning and the end of modelling ranges and at the lateral flow entrance stations have been used. In this thesis, In first step, the travel time values were extracted from the peak discharge for each flood and the peak dischargetravel time graph for each flood was drawn using 51 floods between 1996 and 2011. Then, the travel time values were extracted from the peak discharge for each flood and the peak dischargetravel time graph for each flood was drawn using 51 floods between 1996 and 2011. Then an empirical piecewise three lines relationship was fitter to this graph. These relationships were then used to estimate the travel time values for routing the floods between 2011 and 2016. In next step, hourly rainfall and runoff data between 1998 and 2011 were used for calibration and verification of the ANN and hourly data between 2011 and 2016 were used for estimation of hourly runoff values in the river. For rainfall-runoff modelling and estimation of input discharge to the river, Three ANNs with (2,8,1), (3,10,1) and (4,9,1) structures are used. The results showed that all three networks have relatively high capabilities in rainfall-runoff modelling and runoff estimation. Finally, the runoff values (discharge) estimated by the ANN were considered as inputs to the Multiple Linearization model at the upstream of the river, and routing the floods between 2011 and 2016 was carried out using Multiple Linearization model. The results showed a fairly good accuracy of the empirical relationships in estimating the values of travel time of each river flood and also the fairly accurate performance of the ANN in estimating runoff values entering the river and the Multiple Linearization model in estimating the output discharge values at the end of the river. Estimated runoff values of network with (4,9,1) structure when used as input to the river, have the best performance in estimating the discharge of the river compared to other networks, and the mean of Nash-Sutcliffe criterion values is equal to 0.9220. The mean of Nash-Sutcliffe criterion values derived from observational data is equal to 0.9302 and represents a difference of 0.0082

مستند نام اشخاص تاييد نشده

پوربایرامی، سامان

مستند نام اشخاص تاييد نشده

نورانی، وحید، استاد راهنما

مستند نام اشخاص تاييد نشده

روشنگر، کیومرث، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی