كليدواژه :
درياي خزرجنوبي , ساحل نور , نرخ انتقال رسوب موازي ساحل , شبكۀ عصبي مصنوعي , فرمول‌هاي نيمه‌تجربي
چكيده فارسي :
محاسبۀ نرخ انتقال رسوب موازی ساحل به‌منظور مطالعۀ دقیق الگوی فرسایش و رسوب‌گذاری، از جمله مهم‌ترین موضوعات در مهندسی سواحل است. در پژوهش حاضر، نرخ انتقال رسوب موازی ساحل از اول فروردین ماه تا آخر تیرماه سال 1391 با استفاده از تله‌گیر ستونی معلق به‌صورت روزانه اندازه‌گیری (سواحل شهر نور، در شمال كشور ایران) شد. روابط تجربی موجود عمدتاً براساس روش‌های برازشی بر روی داده‌های مشاهداتی و اندازه‌گیری‌شده ارائه شده است. نتایج استفاده از فرمول داك 85 نشان داد كه نرخ انتقال رسوب برای ساحل شهرستان نور برابر با 334340 متر مكعب بر سال است. در مرحلۀ اول شبكۀ عصبی مصنوعی با متغیرهایی كه با روش تجزیه و تحلیل عاملی به عنوان متغیر مستقل انتخاب شده بودند، اجرا شد. نتایج نشان داد كه در مجموع عملكرد شبكه با تابع انتقال تانژانت هیپربولیك بهتر از سیگموئید بوده است. بهترین شبكه، شبكه‌ای با ورودی‌های ارتفاع موج شكنا، عرض منطقۀ خیزآب ساحلی، سرعت جریان در امتداد ساحل و نرخ انتقال رسوب به دست آمد. یك پارامتر خروجی (Q) به‌عنوان یك شبكه، منجر به پاسخ قابل قبول‌تر و قابل اعتمادتری با حداكثر مقدار ضریب تبیین 96/0 برای پیش‌بینی نرخ انتقال محاسبه شد. به این ترتیب با استفاده از شبكۀ عصبی مصنوعی ارائه‌شده در این پژوهش می‌توان به برآورد دقیق‌تری از نرخ انتقال رسوب موازی ساحل پرداخت.
چكيده لاتين :
The estimation of alongshore sediment transport rate (LSTR) is the most important factor in analyzing the amount of erosion or accretion along a coast. In the present research, an LSTR measurement was done at daily intervals using sediment traps in Noor coastal area, north of Iran, from March 21 to June 22, 2012. The existing empirical relations are linear or exponential regressions based on the observations and measurements data. Based on calculations, the yearly average of sediment transport rate is 928.73 (m3/day) for Noor coastal area. One of the most widely used methods for estimating LSTR, which has advantages compared with others, is setting up and application of an artificial neural network (ANNs) and the present study attempts to develop such a model. Different ANNs with different input configurations and transfer functions were examined. The results reveal that usage of the hyperbolic tangent is better than application of the sigmoid as the transfer functioning. Moreover, the ANN with wave breaking height (), surf zone width (W), and alongshore current velocity (V), as inputs and sediment transport rate (Q) as output configures the best model and predicts more reliably, with higher correlation coefficient, R2, of 0.96, the L.S.T.R among others. Using the ANNs model presented in this research, therefore, the sediment transport rate can be estimated with sufficient accuracy.
