كليدواژه :
پيش‌بيني , درخت تصميم , رودخانه‌هاي ماسه‌اي , فرم بستر , هوش مصنوعي
چكيده فارسي :
سابقه و هدف: فرم بستر يا به عبارتي ناهمواري‌هاي بستر به شكل‌هاي مختلف در بستر رودخانه اطلاق مي‌شود كه در اثر حركت جريان به وجود مي‌آيد و تأثير مستقيم و مهمي روي زبري بستر و در نتيجه مقاومت در مقابل جريان و تأثير روي پروفيل سطح آب را در پي دارد. از آن‌جا كه محاسبات دبي- اشل رودخانه و سرعت جريان كاملاً تحت تأثير زبري قرار دارد، لذا پيش‌بيني دقيق شكل بستر از اهميت زيادي برخوردار است. به‌دليل تأثير پارامترهاي مختلف در شكل‌گيري فرم بستر رودخانه‌ها، تعيين معادلات حاكم بر آن مشكل بوده و مدل‌هاي رياضي نيز از دقت كافي برخوردار نيستند. امروزه استفاده از سيستم‌هاي هوش مصنوعي به‌عنوان راهكاري جديد در تحليل مسائل آبي، گسترش يافته است. هدف اين پژوهش، معرفي روشي است كه با استفاده از آن بتوان فرم بستر رودخانه‌هاي ماسه‌اي را با دقت بالايي پيش‌بيني نمود. مواد و روش‌ها: در پژوهش حاضر، براي به‌دست آوردن نتايج بهتر و كاهش پراكندگي داده‌ها، داده‌ها به طور تصادفي به دو بخش آموزش (70 درصد) كه شامل 1647 داده‌ي آزمايشگاهي و آزمون (30 درصد) كه شامل 560 داده‌ي آزمايشگاهي است تقسيم شدند. روش هوشمند درخت تصميم بر روي داده‌هاي بخش آزمون در محيط برنامه‌نويسي وكا كدنويسي شد و در نهايت با استفاده از الگوريتم‌هاي (Random Forest) و (Random Tree) واسنجي بر روي داده‌ها انجام گرديد. سپس روش‌هاي تجربي وان‌راين، انگلند هانسن و سيمونز و ريچاردسون بر روي داده‌هاي بخش آزمون اجرا گرديد. يافته‌ها: ارزيابي نتايج به‌دست آمده با استفاده از معيارهاي آماري مجذور ميانگين مربعات خطا (RMSE)، نرخ دسته‌بندي صحيح (CCI) و مساحت زير منحني (ROC Area) انجام شده است. نتايج نشان داد كه الگوريتم(Random Forest) براي داده‌هاي آزمايشگاهي با معيارهاي آماري 85%CCI= درصد، 17/0RMSE=، 97/0ROC= داراي بهترين عملكرد است. از سوي ديگر با بررسي نتايج روش‌هاي تجربي مشخص شد كه براي داده‌هاي آزمايشگاهي، روش وان‌راين با نتايج %64CCI= درصد، 07/1RMSE= داراي عملكرد بهتري مي‌باشد. بين متغيرهاي مختلف محيطي دبي، عرض، عمق، شيب، قطر متوسط ذرات رسوبي و دما براي داده‌هاي آزمايشگاهي داراي بيشترين اهميت در پيش‌بيني فرم‌هاي بستر بودند. نتيجه‌گيري: در اين پژوهش برتري مدل‌هاي محاسباتي نرم در مدل‌سازي و پيش‌بيني فرم بستر مشهود بوده و مدل‌هاي اجرا شده در محيط وكا عملكرد بهتري داشتند. اصولاً از آن‌جا كه در شكل‌گيري فرم بستر رودخانه‌ها، عوامل متعددي دخالت دارند و همچنين به‌دليل ماهيت پيچيده‌ي آن، پيش‌بيني اين پديده بسيار دشوار و گاهي كم‌دقت است. از آن‌جا كه روش‌هاي هوش مصنوعي براي تحليل مسائلي به‌كار مي‌روند كه شناخت و توصيف صريح از ماهيت مسئله وجود ندارد، بنابراين بسياري از مسائل مربوط به فرم‌هاي بستر را مي‌توان با اين روش‌ها حل نمود.
چكيده لاتين :
Background and objectives: The bed forms or in the other word, bed irregularities are structures that form due to stream flow and they have direct impact on roughness and flow resistance in sand bed rivers. Bed forms have different shapes and forms in sand bed rivers. Since river discharge and flow velocity are totally affected by roughness, accurate prediction of the shape of the bed is of great importance. Due to the influence of different parameters in the formation of the river bed form, it is difficult to determine the governing equations and the mathematical models with sufficient precise. Today, the use of artificial intelligence systems has expanded as a new way of analyzing water resources issues. The objective of this research is to introduce a method that can be used to predict the shape of the river bed with high precision.
Materials and methods: In the present study, the data were randomly divided into two parts of the training (70%) including 1647 laboratory data and test (30%) containing 560 laboratory data. The decision trees were coded on the data of the test section in the WEKA programming environment, and finally calibration was performed on the data by using Random Forest and Random Tree algorithms. Then the experimental methods of Van Rijn, Engelund and Hansen and Simons and Richardson were implemented on test data.
Results: Evaluation of the results were done using root mean square error (RMSE), Correctly Classified Instances and Roc area under curve. The results showed that the best performance reached by Random Forest algorithm for experimental data with statistical criteria of CCI=85 (%), RMSE=0.17, ROC=0.97. On the other hand, by examining the results of empirical methods, it was determined that for laboratory data, van Rijn method has better performance with the results of CCI=64 (%), RMSE=1.07. Between different variables, discharge, width, depth, slope of the channel, average diameter of sediment particles and temperature for laboratory data were the most important parameters in predicting bed forms.
Conclusion: In this research, the superiority of soft computing models was evident compared to the empirical methods in modeling and predicting of the bed form. Models performed better in the WEKA environment.
Basically, because of the formation of the river bed form is depended on several factors, and also because of its complex nature, the prediction of this phenomenon is very difficult and sometimes with high errors. Since artificial intelligence methods are used to analyze issues that do not explicitly describe the nature of the problem, so many of the issues of bed form can be solved with these methods.
