تخمين ضريب پخش عرضي در انتقال آلودگي در رودخانه‌هاي عريض با استفاده از محاسبات تكاملي

Estimation of transverse dispersion coefficient of pollutant transport in rivers using evolutionary computations

در قرن اخير با رشد روزافزون جمعيت شهرنشين، مشكلات متعددي در زمينۀ آلودگي و كيفيت منابع آبي مطرح شده است. بنابراين، شناخت و مطالعۀ فرايندهاي اختلاط و انتقال مواد در رودخانه‌ها از جمله فعاليت‌هاي مهم در برنامه‌هاي مديريت منابع آب به شمار مي‌آيد. بين فرايندهاي اختلاط، پس از پديدۀ انتشار طولي، فرايند انتشار عرضي آلودگي، تأثيرگذارترين پارامتر محسوب مي‌شود. با توجه به اهميت انتقال و چگونگي انتشار آلودگي در رودخانه ها، تخمين ضريب پخش عرضي انتقال آلودگي در جريان‌هاي سطحي با استفاده از ماشين بردار پشتيبان (SVM) و با بهره‌گيري از دو كرنل تابع پايۀ شعاعي و چندجمله‌اي و مدل درخت (MT)، هدف اصلي پژوهش حاضر است. براي تخمين ضريب پخش عرضي از 187 سري داده كه شامل عمق جريان، سرعت جريان، سرعت برشي و عرض كانال مي‌شود، استفاده شده است. نتايج به‌دست‌آمده از معيارهاي ارزيابي نشان داد مدل SVM-Poly دقت بيشتري (992/0R= و 982/0OI=) ‌نسبت به مدل SVM-RBF دارد. همچنين مدل SVM-RBF دقت بيشتري (968/0R= و 950/0OI=) نسبت به مدل MT ‌‌(966/0R= و 946/0OI=) در تخمين اين پارامتر در مرحلۀ آموزش داشت. مقادير به‌دست‌آمده از DTدر مرحلۀ تست هم ارزيابي شدند و مشخص شد كه SVM-RBF با داشتن كمترين خطا (029/0RMSE) توانايي بهتري در تخمين DT دارد. علاوه بر اين، مقايسۀ عملكرد روش‌هاي هوشمند با روابط تجربي بيان مي‌كند كه روابط تجربي دقت قابل قبولي نداشته‌اند.

Surface water is one of the most important water resources available to mankind, is used for various purposes, such as drinking and agriculture. Recently, with the growing urban population, there are many problems associated with the pollution and quality of water resources. Therefore, recognizing and studying the process of mixing and conveying materials is one of the important activities in water resource management programs. In the process of mixing, after the longitudinal dispersion coefficient, the transverse dispersion coefficient is considered as the most effective parameter. According to the importance of dispersion and distribution of pollution in, in order to estimate the transverse dispersion coefficient of pollutant in surface flows, MT and SVM using two Kernels including radial basis function (RBF) and polynomial (Poly) are applied. To achieve this aim, 187 dataset including flow depth (H), flow velocity (U), shear rate (U*) and channel width (W) are used. The results of the evaluation criteria showed that the SVM-Poly model had higher accuracy (R = 0.992 = 0.92 OI =) compared to the SVM-RBF (R = 0.968 and O = 950) and MT (R = 0.966 and OI =0.946) in the training phase for DT estimation. The DT values obtained by proposed models were also evaluated for testing dataset. Based on the result, it was found that SVM-RBF had the best ability to estimate DT with the lowest error (RMSE = 0.029). In addition, comparing the performance of intelligent methods with empirical relationships suggests that empirical relationships failed to show acceptable accuracy