تخمين مقدار انتقال رسوب در امتداد ساحل با استفاده از فرمول هاي نيمه تجربي و شبكه عصبي مصنوعي در سواحل نور

Prediction of Alongshore Sediment Transport Rate Using Semi-Empirical Formulas and an Artificial Neural Networks (ANNs) model in Noor Coastal zone

مقايسه اي بين فرمول هاي نيمه-تجربي سرك (C.E.R.C)، والتون و برنو (W.B)، فن در مير (V)، كامفوس (Kamphuis) و روش شبكه عصبي مصنوعي (ANN) با مقادير اندازه گيري شده در بازه زماني مهر تا آخر آذرماه سال 1390 با استفاده از تله گير عمودي رسوب انجام شده است. در مدل مبتني بر روش شبكه عصبي، شش متغير اصلي موثر در نرخ انتقال رسوب در امتداد ساحل در نظرگرفته شد. نتايج نشان داد كه در ميان فرمول هاي نيمه تجربي بررسي شده، فرمول كامفوس تقريباً نتايج نزديك تري به واقعيت را ارايه نموده است و مقدار 7% اختلاف نتايج حاصل از آن با مقادير مشاهداتي ممكن است مربوط به خطا در اندازه گيري پارامترهاي مدل باشد. در مقايسه، نتايج حاصل از مدل مبتني بر روش شبكه عصبي مصنوعي با داده هاي ميداني به ميزان حدود 6% خطا اختلاف داشته و لذا، به دليل دقت بالاتر در برآورد نرخ انتقال رسوب جهت استفاده در تحقيقات مشابه توصيه مي گردد.

Comparisons made between the measured data carried out from September to December 2012 using a streamer trap and the results of some semi-empirical formulas including C.E.R.C, Walton and Bruno (W.B), van der Meer (V), Kamphuis (K), and an Artificial Neural Network (ANN) model. Six dominant variables are considered in the ANN model to estimate long-shore sediment transport rate. Results reveal that among the semi-empirical formulas, Kamphuis formula has provided more reliable results than others and its %7 errors related to the observed data is partially resulted from the errors in input parameters. In contrast, the ANN model provides more accurate results with %6 error related to measured data and thus it is recommended to be applied in long-shore sediment transport rate estimation in similar research contexts.