مقایسه‌ی روش‌های متداول برآورد بار رسوب معلق رودخانه‌ی کرخه با روش برنامه‌ریزی بیان ژن

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشیار گروه آب و خاک دانشکده کشاورزی، دانشگاه صنعتی شاهرود، سمنان

2 دانش‌آموخته کارشناسی ‌ارشد سازه‌های آبی، دانشگاه صنعتی شاهرود، سمنان

چکیده

برآورد دبی بار رسوبات معلق رودخانه­ها به­دلیل تأثیرگذاری بر طراحی و مدیریت سازه­های آبی، در مهندسی آب، هیدرولیک و محیط زیست مهم می­باشد. تاکنون تلاش­های گوناگونی جهت برآورد دقیق بار رسوبات معلق توسط پژوهشگران انجام شده است که برای مثال می­توان به برقراری رابطه بین دبی جریان و دبی رسوب اشاره نمود. مشکل این روش، عدم قطعیت آن می­باشد. از این­رو، شماری از محققان به­روش­های هوشمند و الگوریتم­های تکاملّی، روی آورده­اند. در پژوهش حاضر به­منظور پیش­بینی بار رسوب معلق ایستگاه­های هیدرومتری جلوگیر و پای­پل واقع در بالادست سد مخزنی کرخه، روش برنامه­ریزی بیان ژن مورد استفاده قرار گرفت و نتایج به‌دست آمده با نتایج روش­های منحنی سنجه رسوب و فائو مقایسه گردید. برای انجام این کار داده­های دبی جریان، دبی رسوب و ارتفاع باران دو ایستگاه بین سال­های 1390-1365 جمع­آوری شد. برای اجرای مدل برنامه­ریزی بیان ژن دو سناریو تعریف گردید. در سناریوی اول از اطلاعات دبی جریان و دبی رسوب ایستگاه­ها استفاده شد و در سناریوی دوم از اطلاعات ارتفاع باران حوضه‌ی آبریز نیز استفاده گردید. نتایج نشان داد سناریوی دوم عملکرد بهتری در مقایسه با سناریوی اول داشته است. همچنین، مقایسه‌ی نتایج اجرای این مدل در بخش آزمون سناریوی دوم نشان داد که این روش نسبت به روش­ منحنی سنجه رسوب، میزان خطای RMSE و MAEرا به­مقدار 91% و 94% برای ایستگاه هیدرومتری جلوگیر و 60% و 71% برای ایستگاه هیدرومتری پای­پل کاهش داده است. مقایسه همین نتایج با روش فائو نیز نشان‌دهنده‌ی کاهش خطای RMSE و MAE به­میزان 92% و 96% برای ایستگاه هیدرومتری جلوگیر و 85% و 95% برای ایستگاه هیدرومتری پای­پل می­باشد.     

کلیدواژه‌ها

عنوان مقاله [English]

Comparison of Conventional Methods for Estimation of Suspended Sediment Load of Karkheh River by Gene Expression Programming Approach

نویسندگان [English]

  • Samad Imamgholizadeh 1
  • Razieh Karimi Demneh 2
  • Khalil Azhdari 1
چکیده [English]

Estimation of suspended sediment load of rivers due to its impact on designing and management of water structures is an important factor in water engineering, hydraulic and environment. Several attempts have been made up to now by the researchers  to exact determine the suspended sediment load, for example, the establishment of  relation between sediment discharge and flow discharge can be referred. The problem of this conventional method is its uncertainty. So, a number of researchers have been attempted to estimate the suspended sediment load by using intelligence methods and evolutionary algorithms. In the present research, Gene Expression Programming (GEP) was used to predict the suspended sediment load of Jelogir and Payepol stations located at the upstream of Karkheh reservoir dam. The results have been compared with sediment rating curve and FAO methods results. So, daily stream flow, suspended sediment discharge and rain height corresponding from 1986-2012 were collected and used. For this, two scenarios were defined for GEP performing. The first one has been performed by using daily stream flow and suspended sediment discharge data. The second one used the rain height information of catchment, too. The results showed that the second scenario was more accurate rather than the first one. The comparison results of test period indicated that the GEP has decreased the root mean square error (RMSE) and mean absolute error (MAE) around 91% and 94% for Jelogir station and 60% and 71% for Payepol station in relation to USBR results. Also, the results of test period denoted that GEP has decreased the RMSE and MAE around 92% and 96% for Jelogir station and 85% and 95% for Payepol station compared by FAO results

کلیدواژه‌ها [English]

  • Payepol station
  • Jelogir station
  • Suspended sediment load
  • Gene expression programming
  • Karkheh River

مراجع

باغبان­پور، شقایق؛ سیدمحمود کاشفی­پور (1391). مدل‌سازی‌عددی انتقال‌رسوب‌غیرچسبنده در رودخانه‌ها (مطالعه موردی: رودخانه کرخه)، مجله علوم و فنون کشاورزی و منابع طبیعی علوم آب و خاک. شماره 61. دوره 16. صفحات 57-45.
بختیاری، علیرضا؛ مصطفی رحمانشاهی ‌زهابی؛ باقر یوسفی؛ رضا شیراوند عمرویی(1390). ارزیابی روش‌های برآورد بار رسوب کل در رودخانه‌ی کرخه، دهمین کنفرانس هیدرولیک ایران. دانشگاه گیلان.
بایزیدی، مطلب؛ بهرام ثقفیان؛ سی و سه مرده معروف، (1391). شبیه­سازی و تحلیل زمانی- مکانی خشکسالی هواشناسی در حوزه­های آبریز کارون، کرخه و دز، پژوهش‌های آبخیزداری. شماره 95. صفحات 64-55.
بینا، محمود؛ لاله رنجبران؛ سیدحبیب موسوی جهرمی (1388). برآورد رسوبات معلق با استفاده از پارامترهای فیزیوگرافیک در بالادست سد کرخه، هشتمین سمینار بین‌المللی مهندسی‌رودخانه.دانشگاه شهید چمران اهواز.
پوراغنیایی، محمدجواد؛ مسعود گنجی؛ امیر یوسف­پور ؛ باقر قرمزچشمه (1386). مروری بر روش­های برآورد بار معلق (مطالعه موردی: حوضه آبریز صیدون)، مجله تحقیقات منابع آب ایران. سال 3. شماره 3. صفحات 75-73.
حاجی‌علی‌گل، زهرا؛ سیدمحمود کاشفی­پور؛ ایمان بیت الله­پور‌چهارمحالی (1387). استفاده از شبکه­های عصبی مصنوعی در برآورد دبی رسوب ورودی به سد مخزنی کرخه، هفتمین کنفرانس هیدرولیک ایران. دانشگاه صنعت آب و برق شهید عباسپور.
حیدری، خلیل؛ عباس منصوری؛ آرش رزم­خواه(1391). ارزیابی آورد رسوب بار معلق حوضه‌ی آبریز کرخه با استفاده از روش­های هیدرولوژیکی دومین همایش ملّی عمران‌وتوسعه پایدار، مؤسسه آموزش عالی آزاد خاوران. مشهد.
خسروپور، حسین؛ محمدعلی بنی­هاشمی (1387). بررسی رسوب­گذاری در مخزن سد کرخه با استفاده از مدل عددی و ارائه‌ی راهکارهایی برای مدیریت رسوب­گذاری در مخزن، دومین کنفرانس ملّی سد و نیروگاه­های برقابی. تهران.
داداش­زاده‌اصل فاطمه،محسنی‌ساروی محسن؛ حسن احمدی؛جوادوروانی(1388).ارزیابی و توسعه‌منحنی‌های سنجه رسوب در برآورد بار رسوبی وقایع سیلابی (منطقه‌ی مورد مطالعه: حوزه‌ی آبخیز قره­چای)، پژوهش‌‌های آبخیزداری (پژوهش وسازندگی). شماره 84. صفحات 35-28. 
زنگانه، محمدابراهیم؛ ابوالفضل مساعدی؛ مهدی فتاح‌هلقی؛ امیراحمد دهقانی (1388). مناسب­ترین روش برآورد دبی انتقال رسوبات معلق (مطالعه موردی ایستگاه ارازکوسه واقع در حوضه گرگان­رود، ICWR.
ذرتی­پور، محمد؛ بهروز دهان­زاده؛ عبدالرضا ظهیری؛ محمد هوشمندزاده (1389). شبیه­سازی رسوب­گذاری در مخزن سد کرخه با استفاده از مدل کامپیوتری GSTARS-3، پیام مهندس. شماره 53. سال 11. صفحات 17-9.
سلاجقه، علی؛ سمانه رضوی­زاده؛ نعمت‌الله خراسانی ن؛ مبینا حمیدی­فر؛ سوسن سلاجقه (1390). تغییرات کاربری اراضی و آثار آن بر کیفیت آب رودخانه (مطالعه موردی: حوزه‌ی آبخیز کرخه)، محیط‌شناسی. شماره 58. سال 37. صفحات 86-81.
شرکت توسعه منابع آب و نیروی ایران (1380). خلاصه مطالعات مرحله اول طرح کرخه، وزارت نیرو. چاپ اول. انتشارات اکسیر. تهران.
ظهیری، عبدالرضا؛ هاشم ماکنالی­زاده؛ بهروز دهان­زاده؛ صادق طرفی (1388). برآورد حجم رسوب معلق ورودی به مخزن سد کرخه، هشتمین کنگره بین‌المللی مهندسی عمران. دانشگاه شیراز.
قمشی، مهدی؛ حسن ترابی­پوده (1381).ارزیابی کاربرد معادله‌های برآورد بار رسوبی در رودخانه­های خوزستان، علوم و فنونکشاورزی و منابع طبیعی. شماره 1. جلد 6. صفحات 29-13.
کالوندی، ‌سیدمحمد؛ سعیدرضا خداشناس؛  بیژن قهرمان؛ رمضان طهماسبی؛ آرمین بوستانی (1389). آنالیز روش­های مختلف منحنی سنجه در برآورد رسوب ورودی به سدها (مطالعه موردی سد دوستی)، فصلنامه علمی پژوهشی آبیاری و آب. شماره 1. سال 1. صفحات 20-10.
کیا، عیسی؛ علیرضا عمادی (1391). مقایسه روش­های مختلف رگرسیون آماری در برآورد بار رسوب معلق دراز مدت سالانه (مطالعه موردی: بابل­رود)، پژوهشنامه مدیریت‌حوزه آبخیز. شماره 7. سال 4. صفحات 27-15.
ماکنالی­زاده، هاشم؛ عبدالجلیل طرفی؛ صادق طرفی؛ مهدی اسروش (1389). بررسی آورد رسوب کل سرشاخه­های اصلی رودخانه کرخه به سد مخزنی کرخه بر اساس روش‌های USBR و FAO" مجموعه مقالات نخستین کنفرانس ملّی پژوهش­های کاربردی منابع آب ایران. شرکت آب منطقه­ای کرمانشاه.
میرزایی، محمد (1380). مقایسه روش­های آماری برآورد بار رسوب در رودخانه­ها (مطالعه موردی:رودخانه گرگان­رود)، پایان­نامه ارشد. دانشگاه تهران.
 وروانی، جواد؛شهرام خلیقی­سیگارودی (1386). بررسی میزان خطای منحنی­های سنجه رسوب برای برآورد بار رسوبی وقایع سیلابی در رودخانه قره­چای، یافته­هاینوین کشاورزی. شماره 3. دوره 1. صفحات 214-201.
Yassin, Mohamed., Alazba, A.A., and A.Mattar, Mohamed )2016(. Artificial neural networks versus gene expression programming for estimating reference evapotranspiration in arid climate. Agricultural Water Management.163. 110-124.
Atieh, M., Mehltretter, S.L., Gharabaghi, B., and Rudra, R )2015(. Integrative neural networks model for prediction of sediment rating curve parameters for ungauged basins. Journal of Hydrology, 531. 1095-1107.
Aytek, Ali., and Kisi, Ozgur )2008(. A genetic programming approach to suspended sediment modeling. Journal of Hydrology,351:3-4.288-298.
Azamathulla, H.Md, Deo, M.C., and Deolalikar, P.B )2008(. Alternative neural networks to estimate the scour below spillways. Advances in Engineering Software. 39: 8. 689-698.
Azamathulla, Hazi Mohammad., Ab.Ghani, Aminuddin., Leow, Cheng Siang., Chang, Chun Kiat., and Zakaria, Nor Azazi )2011(. Gene-Expression programming for the development of a stage-discharge curve of the Pahang River. Water Resour Manage, 25. 2901-2916.
Azamathulla, Hazi Mohammad )2012(. Gene expression programming for prediction of scour depth downstream of sills. Journal of Hydology, Vol. 460-461.156-159.
Azamathulla, H.Md., and Jarrett, R.D )2013(. Use of Gene-Expression Programming to Estimate Manning’s Roughness Coefficient for High Gradient Streams. Water Resour Manage, 27.715-729.
Bateni, S.M., Borghei, S.M., and Jeng, D.-S. )2007(. Neural network & neuro fuzzy assessments for scour depth around bridge piers. Engineering Applications of Artificial Intelligence,20:3.401-414.
Ebtehaj, Isa., Bonakdari, Hossein., Zaji, Amir Hossein., Azimi, Hamed., and Sharifi, Ali )2015(. Gene expression programming to predict the discharge coefficient in rectangular side weirs. Applied Soft Computing, 35. 618-628.
Emamgholizadeh, S., Kashi, H., Marofpoor, I., and Zalaghi, E )2014(. Prediction of water quality parameters of Karoon River (Iran) by artificial intelligence-based models. InternationalJournal of Environmental Science and Technology,3:11. 645-656.
Emamgholizadeh, S., Bateni, S.M., Shahsavani, D.,Ashrafi, T., and Ghorbani, H)2015(. Estimation of soil cation exchange capacity using Genetic Expression Programming (GEP) and Multivariate Adaptive Regression Splines (MARS). Journal of Hydrology, 529. 1590-1600.
Ferreira, Candida )2001a(. Gene Expression Programming in Problem Solving. In: 6th online world conference on Soft Computing in Industrial Applications (Invited tutorial), 1-22.
Ferreira, Candida )2001b(. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems.Complex Systems,13:2.87-129.
Ferreira, Candida (2004). Gene expression programming and the evolution of computer programs. RecentDevelopments in Biologically Inspired Computing, 82-103.
Guven, Aytek., and Ersin Talu, Necip (2010). Gene expression programming for estimating suspended sediment yield in middle Uuphrates basin. Clean-Soil, Air, Water, 38:12. 1159-1168.
Guven, Aytek., and Kisi, Ozgur (2011). Estimation of suspended sediment yield in natural rivers using Machine-Coded linear genetic programming. Water Resour Manage,25. 691-704.
Haddadchi, Arman., Movahedi, Neshat., Vahidi, Elham., and Dehghani, Amir Ahmad (2013). Evaluation of suspended load transport rate using formulas and artificial neural network models (Case study: Chelchay Catchment). Journal of Hydrodynamics, 25:3. 459-470.
Kakaei Lafdani, E., Moghaddam Nia, A., and Ahmadi, A (2013). Daily suspended sediment load prediction using artificial neural networks and support vector machines. Journal of Hydrology, 478. 50-62.
Kisi, O., Hosseinzadeh Dalir, Ali., Cimen, Mesut., and Shiri Jalal (2012). Suspended sediment modeling using genetic programing and soft computing techniques. Journal of Hydrology, 450-451, 48-58.
Kisi, Ozgur., Shiri, Jalal., and Tombul, Mustafa (2013). Modeling rainfall-runoff process using soft computing techniques. Computers & Geosciences, 51. 108-117.
Kumar, Dheeraj., Pandey. Ashish., Sharma, Nayan., and Flugel, Wolfgang-Albert (2016). Daily suspended sediment simulation using machine learning approach. Catena, 138. 77-90.
Moharana, S., and Khatua, K.K (2014).  Prediction of roughness coefficient of a meandering open channel flow using Neuro-Fuzzy Inference System. Measurement, 51. 112-123.
Muzzammil, Mohammad., Alama, Javed., and Danish, Mohammad (2015). Scour prediction at bridge piers in cohesive bed using Gene Expression Programming. Aquatic Procedia, 4. 789-796.
Najafzadeh, Mohammad., Etemad-Shahidi, Amir., and Yong Lim, Siow (2016). Scour prediction in long contractions using ANFIS and SVM. Ocean Engineering, 111. 128-135.
Palmieri, A., Shah, F., W.Annandale G. and Danier A (2003). Reservoir Conservation, Vol. 1, the Rescon Approach. 101p.
Riad, S., and Mania, J (2004). Rainfall-Runoff model using an artificial neural network approach. Mathematical & Computer Modeling,40.839-846.
Roushangar, Kiyoumars., Vojoudi Mehrabani, Fatemeh., and Shiri, Jalal (2014). Modeling river total bed material load discharge using artificial intelligence approaches (based on conceptual inputs). Journal of Hydrology, 514. 114-122.
Zakaria, Nor Azazi., Azamathulla, Hazi Mohammad., Chang, Chun Kiat., and Ab.Ghani, Aminuddin(2010). Gene Expression Programming for Total Bed Material Load estimation- a case study. Science of the Total Environment, 408. 5078-5085.
Zhang, Wei., Wei, Xiaoyan., Zheng, Jinhai., Zhu, Yuliang., and Zhang, Yanjing (2012). Estimating suspended sediment load in the Peral River Delta region using sediment rating curves. Continental Shelf Research, 38. 35-46.
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
نشریه جغرافیا و توسعه
دوره 14، شماره 45
دی 1395
صفحه 121-140

فایل ها

سابقه مقاله

  • تاریخ دریافت: 15 دی 1395
  • تاریخ پذیرش: 15 دی 1395

هم رسانی

ارجاع به این مقاله

آمار