تخمين آهنگ انتقال رسوب در امتداد ساحل با استفاده ازمدل هاي محاسباتي نرم

Estimated Alongshore Sediment Transport Rates Using Soft Computing (SF) Models

طي دهه هاي اخير فرمول هاي تجربي مختلفي جهت برآورد آهنگ انتقال رسوب ساحلي توسط محققان زيادي ارايه شده است كه هريك از روش ها تحت شرايط محدود نيم رخ بستر و براي محدوده مشخصي از دانه بندي رسوب كاليبره و استفاده شده اند. روابط تجربي موجود عمدتاً براساس روش هاي برازشي بر روي داده هاي مشاهداتي و اندازه گيري شده ارايه شده، بنابراين مي توان با استفاده از ابزارهاي محاسباتي هوشمند و با كاربرد داده هاي موجود، مدل دقيقتري براي پيش بيني اين پديده ها ارايه نمود. روش هاي محاسباتي نرم، نظير شبكه عصبي مصنوعي و سامانه استنتاج فازي- عصبي، روش هاي غير خطي هستند كه در مواردي كه ساير روش ها قادر نيستند روش محاسباتي دقيق از مسيله ارايه دهند مورد استفاده قرار مي گيرند. عدم نياز به جزييات كامل و دقيق مسيله مهترين مزيت روش هاي محاسباتي نرم است. يك مقايسه جامع بين دو مدل شبكه عصبي مصنوعي، سامانه استنتاج فازي- عصبي و فرمول هاي نيمه تجربي حاضر نشان دهنده توانايي بالا شبكه عصبي در پيش بيني آهنگ انتقال رسوب در امتداد ساحل مي باشد

Many empirical methods for estimating LSTR have been introduced by scientists during the recent decades, but these methods have been calibrated and applied under limited conditions of bed profile and specific range of bed sediment size. The existing empirical relations are linear or exponential regressions based on the observation and measurements data and there’s a great potential to build more accurate models to predict sediment transport phenomena by means of Soft computation approach. Contemporarily soft computing (SF) models, Artificial Neural Networks (ANN), Adaptive Neuro-Fuzzy Inference System (ANFIS) have been accepted as potentially valuable tool for modeling and forecasting complex nonlinear systems. In other words, SF is very helpful when the mathematical and physical scheme couldn’t propose accurate solution to the encountered problem. The main advantage of SF model is that the accurate detail of the problems is not required. A comprehensive comparison between both ANN and ANFIS models and the existing empirical formulae will be presented to demonstrate capacity of ANNs.