An ANFIS-based Approach for Predicting the Manning Roughness Coefficient in Alluvial Channels at the Bank-full Stage

در اين مقاله يك روش هوشمند مبتني بر سيستم استنتاج فازي عصبي تطبيقي (ANFIS) براي تشخيص ضريب مقاومت مانينگ در مدل سازي كانال هاي آبرفتي مثل رودخانه ها ارايه شده است. روش انتخاب مقادير n مانينگ ذهني بوده و نياز به قضاوت ها و مهارت هاي مهندسي دارد كه عمدتاً از طريق تجربه ميسر است. در كاربردهاي عملي، محققان اغلب ميدانند كه انتخاب صحيح n مانينگ در بررسي مسايل هيدروليكي مي تواند بسيار مهم و اساسي باشد. در اين مقاله، يك مدل ANFIS براي پيش بيني ضريب مانينگ در كانال هاي آبرفتي، با استفاده از اندازه متوسط ذرات بستر، ميانگين عمق جريان و شيب كف كانال به عنوان پارامترهاي ورودي تشكيل گرديد. معادلات رگرسيون نيز به همان داده ها اعمال شد. آنگاه مقايسه هاي آماري براي ارزيابي عملكرد مدل ها مورد استفاده قرار گرفت. براساس مقايسه نتايج، نشان داده مي شود كه مدل ANFIS برآورد بهتري نسبت به ساير روابط تجربي دارد. همچنين، تجزيه و تحليل حساسيت نشان داد كه ميانگين عمق جريان تاثير بيشتري بر ضريب زبري مانينگ نسبت به ديگر پارامترهاي مستقل در مدل ANFISدارد.

An intelligent method based on adaptive neuro-fuzzy inference system (ANFIS) for identifying Manning’s roughness coefficient, n, in modeling of alluvial channels e.g. rivers is presented. The procedure for selecting values of the Manning n is subjective and requires engineering judgments and skills developed primarily through experience. During practical applications, researchers often find that a correct choice of the Manning n can be crucial to make a sound prediction of hydraulic problems. In this paper, an ANFIS model is set up to predict the Manning coefficient of river channels, with the mean bed particle size, mean flow depth and channel bed slope, as some three input parameters. The regression equations are also applied to the same data. Statistic measures are then used to evaluate the performance of the models. Based on the comparison of the results, it is well found that the ANFIS model presented here gives some better estimates than the other empirical relationships. Also, a sensitivity analysis showed that mean flow depth has a greater influence on the Manning coefficient than the other independent parameters in ANFIS model.