@article { author = {Nikpour, , Mohamadreza and sanikhani, Hadi}, title = {Suspended Load Modeling of River using Soft Computing Techniques (Case Study: Dareh-rood River)}, journal = {Irrigation and Water Engineering}, volume = {8}, number = {2}, pages = {29-44}, year = {2018}, publisher = {انجمن علمی مهندسی آبیاری و آب ایران}, issn = {2251-7359}, eissn = {}, doi = {}, abstract = {Abstract The movement and deposition of the suspended load of rivers cause different problems; such as sedimentation in reservoirs, changing of river morphology based on sedimentation in the river bed, reducing the capacity of channels and water conveyance structures and changing of water quality for drinking and agricultural usage. In this study, adaptive neuro-fuzzy inference systems (ANFIS), gene expression programming (GEP) and support vector regression (SVR) was utilized for modeling and forecasting of suspended load for Dareh-rood catchment in Ardabil province. For this purpose, water discharge and sediment load of Moshiran hydrometric station located on Dareh-rood River (upstream of Emarat dam) was used. After evaluation of different input combinations (i.e. 8 scenarios) using the SVR, finally the model whose inputs consist of current discharge and one pervious discharge and suspended load was selected as the best scenario. The mentioned input combination was applied for ANFIS and GEP models. The results indicated that the SVR model with the highest R2=0.97, the lowest RMSE=1734, NS=0.97 and WI=0.98 was superior to the other models during the validation phase. Furthermore, the frequency distribution and boxplots of forecasting errors of applied the data-driven models confirm the efficiency of the SVR model among others. Meanwhile, the performance of the ANFIS model was somewhat better than the GEP model. The coefficients and functions used to calibrate the intelligent models that utilized in this study can be very helpful in estimating the suspended sediments of ungagged nearby stations with the similar tectonic and hydrological conditions over the study region.}, keywords = {Keywords: Suspended load,Gene expression programming,Dreh-rood,Support vector regression,Adaptive neuro-fuzzy interference system}, title_fa = {مدل‌سازی رسوبات معلق رودخانه با استفاده از محاسبات نرم(مطالعه موردی: رودخانه دره‌رود)}, abstract_fa = {چکیده جابه­جایی و ته­نشینی بار معلق رودخانه­ها باعث بروز مشکلات زیادی از جمله رسوب­گذاری در مخازن سدها، تغییر مسیر رودخانه­ها به دلیل رسوب­گذاری در بستر آن­ها، کاهش ظرفیت آبگذری آبراهه­ها و تأسیسات انتقال آب و همچنین تغییر کیفیت آب به لحاظ مصارف شرب و کشاورزی می­شود. در این پژوهش از مدل­های فازی- عصبی تطبیقی (ANFIS)، برنامه ریزی بیان ژن (GEP) و رگرسیون بردار پشتیبان (SVR) جهت مدل­سازی و پیش­بینی میزان رسوبات معلق حوضه آبریز دره­رود در استان اردبیل استفاده شد. در این راستا از داده­های رسوب و دبی جریان ایستگاه­ هیدرومتری مشیران بر روی رودخانه دره­رود (واقع در بالادست سد عمارت) استفاده شد. پس از آزمون هشت سناریوی مختلف توسط مدل SVR، الگوی ترکیبی شامل مقادیر دبی جریان در همان روز، دبی جریان و رسوب معلق در گام زمانی قبل به­عنوان بهترین الگو شناخته شد. الگوی مذکور برای مدل­های ANFIS و GEP نیز به­عنوان ورودی استفاده شد. نتایج بیانگر عملکرد قابل قبول مدل­ها و برتری مدل SVR با بیشترین ضریب تعیین (97/0=R2)، کمترین ریشه میانگین مربعات خطا ( ton/day17343=RMSE) و همچنین شاخص­های نش-ساتکلیف (97/0=NS) و ویلموت (98/0=WI) در مرحله صحت­سنجی بود. علاوه بر آن، توزیع فراوانی قدر مطلق خطای پیش­بنی و نمودار جعبه­ای توزیع خطای پیش­بینی مدل­های هوشمند نیز تأیید کننده عملکرد بهتر مدل SVR بود. ضمناً، کارآیی مدل ANFIS تا حدی بهتر از مدل GEP بود. ضرایب و توابع به­کار رفته برای واسنجی مدل­های هوشمند مورد استفاده در این پژوهش می­تواند برای تخمین رسوبات معلق ایستگاه­های مجاور فاقد آمار دارای شریط زمین­ساختی و هیدرولوژیکی یکسان در سطح منطقه بسیار مفید واقع شود.}, keywords_fa = {کلمات کلیدی: بار معلق,برنامه‌ریزی بیان ژن,دره‌رود,رگرسیون بردار پشتیبان,فازی- عصبی تطبیقی}, url = {https://www.waterjournal.ir/article_74224.html}, eprint = {https://www.waterjournal.ir/article_74224_cd71920e59f1dabd757c1f7dfe107923.pdf} }