كاربرد سامانه‌هاي هوشمند و روش‌هاي آماري در تخمين توزيع غلظت رسوبات معلق

Application of the Intelligent Systems and Statistical Models in Estimation of Suspended Sediment Distribution

آگاهي از توزيع عمقي رسوبات معلق در كانال‌ها و آبراهه‌هاي طبيعي در تخمين بار رسوبي جريان اهميت بسيار زيادي دارد. هزينه هاي زياد و زمان‌بر بودن عمليات نمونه‌برداري از رودخانه‌ها و همچنين خطاي قابل توجه روش‌ها و تجهيزات مختلف نمونه‌برداري، مهندسان و محققان را به سوي مدل‌هاي شبيه‌سازي و استفاده از روش‌هاي نوين آماري سوق داده است. در اين مطالعه، براي تخمين توزيع غلظت رسوبات معلق از سه روش شبكه هاي عصبي مصنوعي (ANN)، سيستم استنتاج فازي- عصبي (ANFIS) و رگرسيون خطي چندمتغيره استفاده شد. براي بررسي دقت و صحت هر روش، معتبرترين داده هاي آزمايشگاهي موجود مورد استفاده قرار گرفت. پس از ارزيابي عملكرد سه روش يادشده، مشخص شد كه روش شبكه عصبي مصنوعي با ضريب همبستگي 999/0 و RMSE برابر با 042/0، نسبت به روش هاي ديگر برتري نسبي داشته و به خوبي قادر به برآورد توزيع غلظت رسوبات است. پس از اين روش، دقت سيستم استنتاج فازي- عصبي با ضريب همبستگي 994/0 و RMSE برابر با 042/0 در مرتبه دوم قرار گرفت. با استفاده از رهيافت رگرسيون چند متغيره، دو رابطه براي جريان در بسترهاي صاف و زبر ارايه شد. نتايج نشان داد كه مدل رگرسيون چند متغيره كارايي كمتري نسبت به دو مدل ديگر دارد. با مقايسه اين مدل‌ها با روابط تجربي ارايه شده، مانند معادله راوس و معادله اينشتين و شن، مشخص شد كه روش‌هاي آماري توزيع غلظت رسوبات معلق را با دقت بيشتري نسبت به معادلات تجربي برآورد مي‌كنند.

Understanding the vertical distribution of suspended sediment in channels and natural waterways is very important in estimation of the suspended load. High costs, time-consuming of the sampling operations from rivers, and remarkable error associated with equipment and sampling methods, have led engineers and researchers to perform the simulation models and the new statistical methods. In this study, three methods namely artificial neural networks (ANN), adaptive neuro-fuzzy inference system (ANFIS), and multivariate linear regression were used to estimate the distribution of suspended sediment concentration. The accuracy of each method was assessed using the most reliable experimental data. After evaluating the performance of the three aforesaid methods, it was found that the ANN method with the values of 0.999 and 0.042 for r and RMSE, respectively, had a relative advantage as compared with the other methods. This method precisely estimated the distribution of sediment concentration. Also the adaptive neuro-fuzzy inference system accuracy, with the values of 0.994 and 0.042 for r and RMSE, respectively, ranked in the second position. Two equations were proposed for the currents on the smooth and rough beds, using the multivariate regression approach. The results showed that the multivariate regression model had less efficiency than the two aforementioned models. By comparing these models with existing empirical equations such as Rouseʹs equation and the equation of Einstein and Chien, it was revealed that statistical methods had estimated the distribution of sediment concentration more accurately than empirical equations.