عنوان

تخمین بار معلق رسوبی رودخانه ها با استفاده از روش های داده محور

Number

پ۲۵۶۷۸

.Language of Text, Soundtrack etc

per

Title Proper

تخمین بار معلق رسوبی رودخانه ها با استفاده از روش های داده محور

First Statement of Responsibility

صدراشادکانی

Name of Publisher, Distributor, etc.

کشاورزی

Date of Publication, Distribution, etc.

۱۳۹۹

Specific Material Designation and Extent of Item

۸۵ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی سازه های آبی

Date of degree

۱۴۰۰/۰۶/۱۵

Text of Note

پیش بیني دقیق پارامترهاي مؤثر در طرح هاي منابع آب، يكي از مهمترين مباحث تحقیقي مهندسان آب مي باشد. از جمله اين پارامتر ها حجم رسوبات معلق رودخانه ها است که بدلیل اثرات منفي آن بر روي شاخص هاي کیفي آب، تقلیل گنجايش مخازن و تغییر در مورفولوژي رودخانه ها از اهمیت ويژه اي برخوردار است. در حقیقت حصول روش هاي مناسب و دقیق در پیش بیني بار رسوبي رودخانه ها را مي توان به عنوان يكي از مهمترين چالش ها در فرايند فرسايش و رسوبگذاري دانست. با توجه به پیچیدگی پدیده رسوب و عدم توانایی تعیین دقیق معادلات حاکم به خاطر وجود پارامتر های مختلف و تاثیر تغییرات مکانی و زمانی شرایط هیدرولوژیکی حوضه آبریز و مشکلات ناشی از تعیین تاثیرات آنها و با توجه به اینکه تخمین میزان رسوبات با روش های مرسوم مانند منحنی سنجه نتایج دقیقی در بر ندارد محققان به استفاده از مدل های جعبه سیاه نظیر شبکه های عصبی مصنوعی روی آورده اند . در این تحقیق در مورد کارایی این شبکه ها در تخمین و پیش بینی بار معلق رودخانه می سی سی مطالعاتی انجام خواهد گرفت و سعی خواهد شد روش های جدیدی مانند مدل جنگل تصادفی (RF) ، یادگیری عمیق (DL) و روش های پرکاربرد شبکه عصبی مصنوعی (ANN) و مدل درختی (M5) و رگرسیون بردار پشتیبان (SVR)این تحقیق مورد استفاده قرار گیرد. در تحقیق حاضر از داده‌های جریان رودخانه ها و باررسوبات معلق در ایستگاه های میزوری و ایلینوی واقع در رودخانه می سی سی پی آمریکا در دوره آماری 13 ساله (2004-2017) جمع¬آوری گردیده وسعی خواهد شد تا با کاربرد روش های داده محور برآورد دقیقی از بار رسوبی معلق در ایستگاه های مورد نظر حاصل گردد. در نهایت دقت نتایج بدست آمده از طریق این روش ها با یکدیگر و روش های تجربی مقایسه خواهد شد.

Text of Note

ABSTRACTAccurate prediction of effective parameters in water resources designs is one of the most important research topics for water engineers. Among these parameters is the volume of suspended sediments in rivers, which is of special importance due to its negative effects on water quality indicators, reduction of reservoir capacity and changes in river morphology. In fact, obtaining appropriate and accurate methods in predicting sediment load of rivers can be considered as one of the most important challenges in the process of erosion and sedimentation. Due to the complexity of the sediment phenomenon and the inability to accurately determine the governing equations due to various parameters and the effect of spatial and temporal changes in the hydrological conditions of the catchment and the problems caused by determining their effects and considering the estimation of sediment with conventional methods such as curves The measurement does not provide accurate results. Researchers have turned to black box models such as artificial neural networks. In this study, the efficiency of these networks in estimating and predicting the suspended load of the Mississippi River will be studied and new methods such as random forest (RF) model, deep learning (DL) and widely used neural network methods will be tried. Artificial (ANN) and tree model (M5) and support vector regression (SVR) to be used in this research. In the present study, data from flowing rivers and suspended sediments at Missouri and Illinois stations on the Mississippi River in the 13-year statistical period (2004-2017) will be collected and attempted to be estimated using data-driven methods. Accurate sediment load suspended at the desired stations. Finally, the accuracy of the results obtained through these methods will be compared with each other and experimental methods.

Variant Title

Estimation of suspended sediment load of rivers using data-driven methods

Entry Element

‏شادکانی،

Part of Name Other than Entry Element

‏صدرا

Relator Code

تهيه کننده

Entry Element

‏عباسپور،

Entry Element

صمدیان فرد،

Part of Name Other than Entry Element

‏اکرم

Part of Name Other than Entry Element

‏ سعید

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏تبریز