کاربرد الگوریتم درختی M5 در برآورد رسوب معلق رودخانه‏ها

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مهندسی آب دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

2 استادیار، گروه مهندسی آب دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

3 استادیار گروه مهندسی آب دانشگاه کشاورزی و منابع طبیعی رامین

چکیده

برآورد میزان بار رسوب در بسیاری از پروژه‏های آبی از قبیل ﻃﺮاﺣﻲ ﺳﺪﻫﺎ و ﺣﻮﺿﭽﻪﻫﺎی ذﺧﻴﺮه آب ﺳﻄﺤﻲ، اﻧﺘﻘﺎل رﺳﻮب و آﻟﻮدﮔﻲ در رودﺧﺎﻧﻪ‏ها و درﻳﺎﭼﻪها و نیز ﻃﺮاحی ﻛﺎﻧﺎل‏ها و ﻧﮕﻬﺪاری آن‌ها اهمیت زیادی دارد. روش­های متداول برآورد بار رسوب عمدتا دقت پایینی داشته و نتایج روش­های مختلف تفاوت زیادی با یکدیگر دارد. بر همین اساس در این تحقیق پس از تهیه داده‏های دبی رسوب مربوط به ایستگاه­های هیدرومتری جوکنک، بهبهان، شادگان، مشراگه و چم‏ نظام، از الگوریتم درختی M5 که یکی از مدل­های نوین داده کاوی به حساب می­آید، جهت محاسبه بار معلق استفاده گردید. الگوریتم درختی M5 فضای مساله را به شاخه‏های متعدد تقسیم‏ کرده و معادلاتی را جهت تخمین بار معلق رسوب در شاخه‏های مختلف ارائه می‏دهد. دبی جریان یک روز قبل و دبی همان روز به عنوان پارامترهای ورودی و دبی بار معلق رسوب نیز به عنوان پارامتر خروجی جهت ساخت و صحت‌سنجی مدل در نظر گرفته شد. آنالیزهای مختلف آماری بر روی معادلات ارائه شده توسط الگوریتم M5 نشان دهنده دقت بهتر مدل درختی در مقایسه با منحنی سنجه می­باشد. در ایستگاه­های مورد بررسی مقدار RMSE مدل درختی با توجه به داده­های آموزش و صحت‌سنجی 59/0 محاسبه گردید در حالی‌که در مورد منحنی سنجه این مقدار 74/0 به دست آمد. بر اساس نتایج این تحقیق مدل M5 علاوه بر اینکه می‏تواند میزان رسوب معلق را با دقت بالایی برآورد کند دارای ساختار ساده و قابل فهم بوده و از نتایج آن می‏توان جهت مسائل کاربردی سود جست.

کلیدواژه‌ها


عنوان مقاله [English]

Application of M5 Model for Rivers Suspended Sediment Evaluation

نویسندگان [English]

  • Seyedeh Hadis Shahrokhi 1
  • Javad Zahiri 2
  • Ahmad Jafari 3
1 M. Sc. Water structures, Khuzestan Ramin Agriculture and Natural Resources University
2 Assistant Professor, Department of Water Engineering, Khouzestan Ramin Agriculture and Natural Resources University
چکیده [English]

Estimation of the suspended sediment load plays a very important role in water projects such as dam and surface water storage design, pollution and sediment transport in rivers and lakes, as well as design and maintenance the channels. The accuracy of conventional methods of sediment estimation, usually low and there are a big difference between their results. Therefore, in this study after preparing sediment and flow discharge data of hydrometric stations; Jow Kanak, Behbahan, Shadegan, Moshrageh and Cham Nezam, the M5 algorithm, has been used to determine the suspended sediment load. M5 tree algorithm is one of the newest data-driven models which divides the problem space into multiple branches and proposes equations for each branches. Flow discharge of each day and the day before have been used as an input variables and sediment discharge has been considered as an output variable to build and validate the tree model. Statistical analysis on tree model showed better compliance of tree model results with observed data in compare with sediment rating curve method. RMSE for training and validation phases at studied stations were 0.59 and 0.74 for M5 and rating curve methods, respectively. The results of this study showed that suspended sediment load could be accurately predicted using M5 tree algorithm. The results of this model, in addition to have an understandable and simple structure, could be used in practical issues as well.

کلیدواژه‌ها [English]

  • : Data-driven models
  • Hydrometric stations
  • Sediment rating curve

 

اکبرزاده، م. ر.، ع. قزل سوفلو و م. حاجی بیگلو. 1393. ارزیابی و برآورد رسوب رودخانه اترک در محل ایستگاه‌های هیدرومتری دارای آمار با استفاده از روش‌های هیدورلوژیکی. مجله علوم و مهندسی آبیاری، دوره 37، شماره 4، ص 132-121.

جباری، ا و م. صمدی. 1392. کاربرد الگوریتم M5 در پیش بینی عمق آبشستگی در پایین‌دست سرریزها. طرح تحقیقات کاربردی، شرکت سهامی مدیریت منابع آب ایران.

دهقانی، ا.، م. ملک‏ محمدی و ا. هزارجریبی. 1389. تخمین بار معلق رودخانه بهشت آباد با استفاده از شبکه عصبی مصنوعی. مجله پژوهش‏های حفاظت آب و خاک، شماره 17، ص 168-159.

ابراهیمی ‏محمدی، ش.، س. ح. ر. صادقی و ک. چپی. 1391. تحلیل آورد رواناب، رسوب معلق مغذی ورودی‏های مختلف به دریاچه زریوار در پایه زمانی رگبار و آب پایه. نشریه حفاظت منابع آب و خاک، شماره 2، ص 74-61.

ظهیری، ج. 1394. کاربرد مدل‏های ناپارامتریک CART و M5 در محاسبه عمق آبشستگی اطراف پایه‏های پل. فصلنامه علمی پژوهشی مهندسی آبیاری و آب ، شماره 20، ص 50-35.

معتمدی‏وزیری، ب.، ح. احمدی، م. مهدوی و ف. شریفی. 1388. مقایسه روش‏های رگرسیون آماری و فازی جهت برآورد رسوب معلق رودخانه تلوار. فصلنامه جغرافیایی سرزمین علمی پژوهشی، شماره 21، ص 42-31.

Achite, M. and S. Ouillon. 2007. Suspended sediment transport in a semiarid watershed, Wadi Abd, Algeria (1973–1995). Journal of Hydrology, 343: 187-202.

Bhattacharya, B. and D. P. Solomatine. 2006. Machine Learning in Sedimentation Modeling. Neural Networks Journal, 19: 208–214.

Etemad-Shahidi, A. and J. Mahjoobi .2009. Comparison between M5΄ Model Tree and Neural Networks for prediction of significant wave height. Journal of Ocean Engineering, 36(15-16): 1175-1181.

Etemad-Shahidi, A. and M. Taghipour. 2012. Predicting Longitudinal Dispersion Coefficient in Natural Streams Using M5′ Model Tree. Journal of Hydraulic Engineering, 138(6): 542-554.

Etemad-Shahidi, A. and N. Ghaemi. 2011. Model Tree Approach for Prediction of Pile Groups Scour due to Waves. Ocean Engineering, 38: 1522–1527.

Kumar, D., A. Pandey, N. Sharma and W. Flugel .2016. Daily suspended sediment simulation using machine learning approach. Catena, 138: 77-90.

Mahjoobi, J., A. Sabzianpoor and E. Jabbari. 2010. Application of Meta-Heuristic Models for Local Scour Evaluation. Ninth International Conference on Computing Anticipatory Systems, AIP Conference Proceedings, 1303:389-397.

Quinlan, J. R.1992. Learning with Continuous Classes. Proceedings of AI’92, World Scientific, 343–348.

Wang, Y. and I. H. Witten. 1997. Induction of Model Trees for predicting Continuous Classes. Proceedings of the Poster Papers of the European Conference on Machine Learning, University of Economics, Faculty of Informatics and Statistics, Prague.

Yang, C. T., R. Marsooli and M. Taghi Aalami. 2009. Evaluation of total load sediment transport formulas using ann. International Journal of Sediment Research, 24: 274-286.

Zounemat-Kermani, M., O. Kişi, J. Adamowski and A. Ramezani-Charmahineh. 2016. Evaluation of data driven models for river suspended sediment concentration modeling, Journal of Hydrology, 535: 457-472.