پیام خسروی نیا

شناخت کامل از وضعیت و تغییرات عمق و دبی جریان روش مناسبی جهت کنترل و مدیریت انواع جریان در شبکه های آبیاری و زهکشی می باشد. در کانال های روباز، جریان ریزش آزاد به عنوان ابزاری جهت اندازه گیری جریان در رژیم های مختلف جریان در کانال ها با سطح مقاطع مختلف مورد استفاده قرار می گیرد. جریان ریزشی آزاد می تواند در انتهای مسیر کانال های آبیاری مزرعه و یا در محل سازه های انتقال آب نظیر شیب شکن قائم بکار گرفته شود. در مطالعات آزمایشگاهی زمان زیادی صرف اندازه گیری و جمع آوری داده های مربوط به هر متغیر شده و بنابراین نیاز به وجود روشی که این محدودیت ها را نداشته باشد احساس می شود. در سال های اخیر مدل های هوشمند بدلیل توانایی و قابلیت بالا جهت مدل سازی بسیاری از پدیده های هیدرولیکی و هیدرولوژیکی مورد استفاده قرار گرفته اند. هدف اصلی این مطالعه، تخمین دقیق دبی جریان در کانال های مسنطیلی با استفاده از مدل های هوشمند نظیر مدل های شبکه عصبی مصنوعی، برنامه ریزی بیان ژن، درخت تصمیم و رگرسیون چند متغیره تطبیقی اسپلاین می باشد. در این راستا از متغیرهای عمق آستانه، ضریب زبری مانینگ، عرض کف کانال و شیب کف کانال که از تحقیقات قبلی سایر محققین استخراج شده بودند، به عنوان ورودی مدل های مورد هوشمند استفاده شد. داده های موجود در قالب سه سناریو مختلف شامل %50- %50، %60- %40 و %75- %25 در بخش های واسنجی (آموزش) و اعتبار سنجی (تست) به منظور ارزیابی بهتر و دست یابی به نتایج دقیق تر مورد بررسی قرار گرفتند. همچنین به منظور ارزیابی دقت مدل های شبکه-های عصبی مصنوعی، برنامه ریزی بیان ژن، رگرسیون چنگانه تطبیقی اسپلاین و درخت تصمیم، از 6 شاخص آماری خطا شامل ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE)، میانگین قدرمطلق خطا (MAE)، ضریب ناش- ساتکلیف (NS)، ضریب ویلموت (WI) و ضریب لگاتس- مک کاب (LMI) استفاده شد. با توجه به سناریوهای متفاوت در بخش های آموزش- تست، نتایج نشان داد که عملکرد مدل شبکه های عصبی مصنوعی در مقایسه با سایر مدل ها بهتر می باشد. با در نظر گرفتن سناریوی %50- %50 در بخش های آموزش- تست، مدل شبکه-های عصبی مصنوعی با داشتن مقدار R، RMSE، MAE، NS، WI و LMI به ترتیب برابر 994/0، 004/0، 002/0، 986/0، 999/0، و 909/0 با باکارگیری کلیه متغیرهای ورودی بهترین عملکرد را ارائه داد.