670/0

62/854

3/5

776/0

9/1053

37/29

670/0

65/0

79/805

7/0-

866/0

نتیجه ­گیری و پیشنهادها

نتیجه ­گیری
در این پایان نامه 7 پارامتر مهم و تأثیرگذار در برآورد غلظت کل مواد رسوبی بستر شامل دبی آب، پهنای آبراهه، عمق آبراهه، شیب سطح آب، لزجت سینماتیکی، متوسط قطر ذرات و تفاضل تنش برشی بستر و بحرانی مورد بررسی قرار گرفتند. مدل­سازی داده ­های گردآوری شده به کمک زبان برنامه­نویسی متلب انجام گرفت و دو روش مدل حداقل مربعات ماشین بردار پشتیبان، زیرمجموعه روش یادگیری ماشین، و الگوریتم بهینه­سازی اجتماع ذرات، زیرمجموعه روش­های فراکاوشی، بر روی داده ­ها پیاده­سازی شد. نتایج حاصل از این پژوهش به طور خلاصه در زیر گزارش شده است.

<b

r/>

داده ­ها با بهره گرفتن از روش تحلیل ابعادی بی­بعد شده و با بهره گرفتن از روش حداقل مربعات ماشین بردار پشتیبان مدل­سازی اولیه صورت گرفت. و نتایج با روش­های متداول به نام­های گراف، ایکرز و وایت، انجلاند و هانزن، و یانگ مقایسه شد. مشاهده شد که روش حداقل مربعات ماشین بردار پشتیبان عملکرد بسیار مطلوب­تری نسبت به روش­های متداول دارد. اما در غلظت­های بسیار پایین یانگ جواب بهتری ارائه می­دهد.
در میان روش­های متداول روش یانگ، عملکرد بسیار بهتری در برآورد میزان غلظت مواد رسوبی بستر نسبت به سایر روش­های متداول مذکور دارد. روش انجلاند و هانزن برآورد میزان غلظت رسوبات کف را دست­بالا و روش­های ایکرز و وایت، و گراف میزان غلظت مواد رسوبی کف را دست پایین تخمین می­زنند.
با توجه به عملکرد بسیار مطلوب روش توان واحد جریان یانگ نسبت به سایر روش­های متداول مذکور از متغیرهای بدون بعد آن در مدل حداقل مربعات ماشین بردار پشتیبان استفاده به عمل آمد. نتایج مدل ثانویه LSSVM نسبت به مدل اولیه نسبتاً مورد بهبود واقع شد.
با توجه به این­که اکثر روابط ارائه شده برای برآورد غلظت مواد رسوبی کف به صورت لگاریتمی می­باشند، لذا متغیرهای ورودی در مقیاس لگاریتمی وارد مدل LSSVM شدند. مشاهده شد که نوسان خطای نسبی تک­تک داده ­ها کم­تر شده و از طرفی تعداد بیشتری از داده ­ها خطای نسبی کم­تر از 4/0 را دارا می­باشند. از طرفی دیگر برآورد غلظت­های پایین با نوسان کم­تری نسبت به دو مدل اولیه برآورد گردید و داده ­ها در نمودار پراکندگی به سمت نیمساز ربع اول مختصات دکارتی متمایل­تر شدند.
روش الگوریتم بهینه­سازی اجتماع ذرات بر روی متغیرهای مورد استفاده در مدل­سازی دوم روش LSSVM پیاده­سازی شد. مشاهده شد که ترکیب توابع توانی و لگاریتمی برآورد مطلوب­تری از غلظت رسوب ارائه می­دهند. لذا با بهینه­سازی ضرایب مربوط به تابع پیشنهادی ملاحظه گردید که عملکرد الگوریتم PSO نسبت به رویکرد نخست یعنی LSSVM نامطلوب بوده ولی از نگاهی دیگر جواب بسیار بهتری نسبت به رویکرهای متداول ارائه می­دهد.
به منظور بررسی تأثیر تک­تک متغیرها در برآورد میزان غلظت رسوبات بستر بر روی مدل LSSVM یک تحلیل حساسیت انجام گردید و مشاهده شد که عدد رینالدز و نیز عدد رینالدز برشی نقش منفی را بر روی شبیه­سازی غلظت رسوبات کف توسط LSSVM ایفا می­ کنند. و از سوی دیگر به ترتیب شیب خط انرژی، نسبت پهنا به عمق جریان و عدد فرود بیشترین تأثیر مثبت را بر روی مدل می­گذارند.
</b

پیشنهادها
در پایان این پژوهش تعدادی پیشنهاد برای افرادی كه علاقمند به پژوهش مرتبط با این پایان نامه هستند ارائه می‌گردد:

برآورد میزان غلظت مواد رسوبی بستر با بهره گرفتن از روش­های عددی از قبیل اجزا محدود، تفاضل محدود و یا حجم محدود و مقایسه نتایج حاصل از آن با روش­های ماشین بردار پشتیبان و الگوریتم بهینه­سازی اجتماع ذرات.
استفاده از سایر روش­های فراکاوشی و یا یادگیری ماشین برای شبیه­سازی غلظت مواد رسوبی بستر و مقایسه نتایج حاصله با روش­های ارائه شده در این پژوهش.
استفاده از روش­های پیشنهادی در این پژوهش برای شبیه­سازی دبی بار آبرفتی در خروجی یک حوزه آبریز با بهره­ گیری از خصوصیات حوزه و داده ­های بارندگی در فصل­های تر و خشک سال.
تخمین آورد ماهانه رسوب به مخزن سد با بهره­ گیری از روش حداقل مربعات ماشین بردار پشتیبان و الگوریتم بهینه­سازی اجتماع ذرات.

فهرست مراجع
Ackers, P., & White, W. (1973). Sediment transport: new approach and analysis. Journal of the Hydraulic Division, ASCE, 99(HY11), 2041-2060.
Asefa, T., Kemblowski, M., Mckee, M., & Khalil, A. (2006). Multi-time scale stream flow predictions: the support vector machines approach. J. of Hydrology, 318(1-4), 7-16. doi: 10.1016/j.jhydrol.2005.06.001
Azamathulla, H., Ghani, A., Chang, C., Abu Hasan, Z., & Zakaria, N. (2010). Machine Learning Approach to Predict Sediment Load. Clean Soil Air Water, 38(10), 969-976. doi: 10.1002/clen.201000068
Çimen, M. (2006). Estimation of daily suspended sediments using support vector machines. Hydrological Sciences Journal, 53(3), 656-666. doi: 10.1623/hysj.53.3.656