تخمین بار معلق رسوبی با استفاده از روش های هوشمند تلفیقی با در نظر گرفتن عدم قطعیت مدل

پیش­بینی دبی رسوبی با دقت بالاتر، از مهم­ترین مولفه­های فرآیندهای هیدرولوژیکی در مدیریت منابع آب می­باشد. به دلیل پیچیدگی پدیده انتقال رسوب و وجود چندین پارامتر موثر در تخمین آن، تعیین روابط حاکم مشکل می­باشد. این تحقیق به منظور ارائه مدل بهینه برآورد بار رسوب معلق در دو ایستگاه هیدرومتری متوالی یک رودخانه طبیعی انجام گرفته است. در این راستا، جهت کاهش مقدار خطا در پیش­بینی دبی رسوبی از روش­های پیش­پردازش سری زمانی به همراه روش­های هوشمند مبتنی بر کرنل ماشین بردار پشتیبان  (SVM)و رگرسیون فرآیند گاوسی (GPR) استفاده شده است. دو سناریو بررسی دبی رسوب معلق برای حالت تک ایستگاهی و ارتباط بین ایستگاهی در نظر رفته شد و مدل­های متفاوتی بر اساس مشخصات هیدرولیکی و ذرات رسوبی تعریف گردید و مورد ارزیابی قرار گرفت. در استفاده از روش­های پیش پردازش، ابتدا روش تبدیل موجک (WT) به­کار رفت، سپس زیر سری های با فرکانس بالای بدست آمده از روش WT با روش تجزیه مد تجربی (EMD) دوباره تجزیه گردیدند. در نهایت زیر سری­های تاثیرگذار به عنوان ورودی مدل­های مبتنی بر کرنل استفاده شدند. نتایج حاصل از تحلیل مدل­های تعریف شده، دقت بالای روش­های تلفیقی به­کار رفته در تحقیق را در تخمین رسوب معلق به خوبی نشان داد. نتایج نشان داد که در حالت اول، مقدار معیار خطا برای مدل برتر به ترتیب از ۰.۰۳۵ و ۰.۰۳۷ برای روش­های GPR و SVM به ۰.۲۸ و ۰.۲۹ برای مدل­های تلفیقی کاهش یافت. به طور کلی، مدل­های ترکیبی دقت مدل­سازی را بین ۲۰ تا ۲۵ درصد افزایش دادند. جهت ارزیابی قابلیت اطمینان مدل برتر، از تحلیل عدم قطعیت مونت کارلو استفاده شد و نتایج نشان داد که مدل GPR دارای درجه عدم اطمینان مطلوبی در مدل­سازی است.

کلیدواژه ها:

پیش پردازش ، تجزیه مد تجربی ، رگرسیون فرآیند گاوسی ، رسوب معلق