چکیده:
ارزیابی و برآورد انتقال رسوب و فرایندهای همراه با آن، از دیرباز یکی از مسائل عمده و اصلی مهندسان هیدرولیک و رودخانه بوده است. رودخانههای با بستر شنی، ویژگیهایی دارند که آنها را از رودخانههای با بستر ماسهای متمایز کرده و باعث ایجاد مسائل و چالشهایی در تحلیل آنها میشود. تعیین میزان بار بستری که در رودخانهها حمل میشود، به عوامل متفاوتی ازجمله پارامترهای هیدرولیکی، هیدرولوژیکی و رسوبی بستگی داشته و همین عامل سبب پیچیدگی و همچنین دشواری برآورد این پدیده شده است. در پژوهش حاضر پس از تعیین پارامترهای تاثیرگذار در تخمین بار بستر انتقالی در 20 رودخانه با بستر شنی، دادههای بهکار گرفتهشده در بازههای مختلفی براساس پارامترهای هیدرولیکی و رسوبی بهصورت آزمون و خطا دستهبندی شده و دقّت ماشین بردار پشتیبان در برآورد بار بستر در هر بازه مورد بررسی قرار گرفت. نتایج بهدستآمده نشان داد مدل با چهار ورودی شامل عدد فرود، نسبت سرعت متوسّط به سرعت برشی جریان ( )، نسبت شعاع هیدرولیکی به متوسّط اندازة ذرّات رسوبی ( ) و عدد شیلدز ( ) و با معیار ناش-ساتکلیف برابر با 806/0 = NSE از دقّت بالاتری در برآورد بار بستر برخوردار است؛ همچنین ارزیابیهای صورتگرفته نشان داد که فرایند برآورد بار بستر در بازة 1 تا 4/1 میلیمتر، مربوط به قطر متوسّط ذرّات عبوری بار بستر و بازة 65/0 تا 75/0، مربوط به عدد فرود بهترتیب با دارابودن معیار ناش-ساتکلیف بهترتیب برابر با 952/0 = NSE و 925/0 =NSEاز دقّت بالاتری برخوردار هستند؛ افزون بر این، در بازهبندی براساس هرکدام از پارامترهای عدد رینولدز برشی و شیب کف رودخانه بازههایی بررسی شد که شرایط حاکم بر جریان در آنها موجب افزایش قابلیت پیشبینی بار بستر میشود.
خلاصه ماشینی:
نتـایج به دست آمده نشان داد مدل با چهار ورودی شامل عدد فرود، نسبت سـرعت متوسـط بـه سـرعت برشی جریان (∗ /V)، نسبت شعاع هیدرولیکی به متوسط اندازة ذرات رسوبی (Do٥/ ) و عـدد شیلدز (ɵ) و با معیار ناش -ساتکلیف برابر با ٠/٨٠٦ = NSE از دقت بـالاتری در بـرآورد بـار بسـتر برخوردار است ؛ همچنین ارزیابیهای صورت گرفته نشان داد که فرایند برآورد بار بستر در بـازة ١ تـا ١/٤ میلیمتر، مربوط به قطر متوسط ذرات عبوری بار بستر و بازة ٠/٦٥ تا ٠/٧٥، مربوط به عدد فـرود به ترتیب با دارابودن معیار ناش -ساتکلیف به ترتیب برابر با ٠/٩٥٢ = NSE و ٠/٩٢٥ =NSE از دقـت بالاتری برخوردار هستند؛ افزون بر این ، در بازه بندی براساس هرکدام از پارامترهـای عـدد رینولـدز برشی و شیب کف رودخانه بازه هایی بررسی شد که شرایط حاکم بر جریان در آن ها موجب افـزایش قابلیت پیش بینی بار بستر میشود.
(2013 بررسی توانایی روش های مختلف یادگیری ماشین در تخمین بار بستر رودخانه های شنی نشان مـیدهـد شـبکۀ 1- Gao 2- Singh 3- Khorram & Ergil 4- Barry 5- Bathurst 6- Azamathulla 7- Adaptive Neuro-Fuzzy Inference System (ANFIS) 8- Sasal 9- Kitsikoudis & Hrissanthou عصبی مصنوعی و نیز سیستم های استنتاج عصبی - فازی دارای عملکردی مشابه در برآورد بار بستر بـوده و از دقـت بـالاتری نســبت بـه رگرســیون معمــولی برخـوردار اســت (کیتســیکودیس و همکـاران ، ٢٠١٤)؛ همچنــین نتــایج به دست آمده از به کارگیری رگرسیون بردار پشتیبان ١ نشان میدهد با توجه به پیچیده تربودن سـاز و کـار انتقـال بـار بستر در دبیهای بالا، روش به کار برده شده در برآورد بار بستر در این شـرایط از دقـت پـایین تـری برخـوردار اسـت ؛ همچنین نوع رودخانه و رژیم جریان حاکم بر آن نیز نقشی اساسی در مکانیزم انتقال بار بستر دارد و موجـب تفـاوت در پارامترهای ورودی مدل میشود (روشنگر و کوشه ٢، ٢٠١٥).