ارائه روشی مبتنی بر هیدرولیک جریان و مدل یادگیری ماشین برای پیش‌بینی دبی سیلاب رودخانه‌ها

مقدمه: تخمین صحیح دبی جریان سیلاب در رودخانه‎ها موضوع مهمی بوده و نقش قابل‎توجهی در استفاده بهینه از منابع آب، بهره‎برداری از مخازن سدها و نیز طراحی و برنامه‌ریزی پروژه‌های آبی ایفا می‌کند.مواد و روش‌ها: در این تحقیق برای تخمین دبی سیلاب، از روشی ساده و مفهومی براساس معادله مانینگ تحت شرایط واقعی جریان استفاده شده است. در این روش، ابتدا برای تاثیر توام شیب انرژی و ضریب زبری مانینگ، پارامتر آلفا (α) تعریف شده و برای 12 ایستگاه هیدرومتری واقع در سه رودخانه اصلی استان گلستان (شامل گرگانرود، اترک و قره سو) محاسبه شد.یافته‌ها: نتایج نشان داد که مقدار این پارامتر با افزایش عمق جریان کاهش یافته و در نهایت به‎صورت مجانب تقریباً به یک مقدار ثابت می‎رسد. این رفتار نشان می‌دهد که به ازاء عمق‌ های زیاد جریان در رودخانه که بیانگر وقوع سیلاب می‌ باشد، مقدار α ثابت شده و با استفاده از این عدد ثابت و نیز معادله مانینگ، می توان دبی سیلاب رودخانه را برآورد نمود. در گام بعدی، سعی شد بین این پارامتر و عمق جریان، یک رابطه رگرسیونی ارائه شود. نتایج مدل سازی رگرسیونی نشان داد که برای اغلب ایستگاه ‌های هیدرومتری، ضریب تعیین (r2) روابط ارائه شده کوچکتر از 0/3 بوده و دارای کارایی لازم نیست. به‎همین دلیل برای بیان این ارتباط با کارایی و دقت بیشتر، از مدل‌های یادگیری ماشین استفاده شد. به این منظور پارامتر α به‎کمک مدل های شبکه عصبی (ann)، درخت تصمیم (m5tree) و ماشین بردار رگرسیونی (svr) مدل‎سازی شد.نتیجه‌گیری: نتایج مدل سازی نشان داد که مدل درخت تصمیم با میانگین خطای مطلق 0/35، ضریب تعیین 0/88 و خطای میانگین جذر مربعات 0/86 در مرحله آزمون بهترین دقت را دارا می‌ باشد. بعد از تعیین پارامتر α، مقدار دبی سیلاب پیش بینی گردید. بهترین عملکرد در بین مدل‎ها را درخت تصمیم در پیش‎بینی دبی جریان در رودخانه‎ها دارا بود،که پس از مقایسه با مقادیر مشاهداتی، مدل درخت تصمیم با میانگین خطای مطلق 1/32، ضریب تعیین 0/89 و خطای میانگین جذر مربعات 3/63 در مرحله آزمون بهترین دقت را دارا می‎باشد.

development a new hydraulic method for prediction of river flood discharge

extended abstractintroduction and objective: the correct estimation of flood flow in rivers is an important issue and plays a significant role in the optimal use of water resources, operation of dam reservoirs, and the design and planning of water projects.material and methods: in this research, a simple and conceptual method based on manning’s formula in real flow conditions is used to estimate the flood flow discharge. in this method, firstly, for the combined effect of friction slope and manning’s roughness coefficient, the alpha parameter (α) was defined and calculated for 12 hydrometric stations located in three main rivers of golestan province (including gorganrood, atrak, and qarasoo). results: the results showed that the value of this parameter decreases continuously with the increase of the flow depth and finally asymptotically reaches a constant value. this behavior shows that the value of α is nearly constant for the upper flow depths which indicate the occurrence of floods, and hence using this constant value and the manning formula, the river flood discharge can be estimated. in the next step, we tried to provide a regression model between the alpha parameter and the flow depth. the regression modeling results showed that for most of the hydrometric stations, the coefficients of determination (r2) of the presented equations are smaller than 0.3 which demonstrates its low efficiency. for this reason, machine learning models were used and the parameter was modeled by the artificial neural networks (ann), decision tree (m5tree), and support vector regression (svr) models.conclusion: the modeling results showed that the decision tree model with a mean absolute error of 0.35, determination coefficient of 0.88, and root mean square error of 0.86 has the best accuracy in the test phase. after determining the parameter α, the amount of flood discharge was predicted. the best performance among the models was the decision tree in predicting the flow rate in rivers. after comparing the observed values, the decision tree model has an average absolute error of 1.32, a determination coefficient of 0.89, and an average square root error of 63. 3. it has the best accuracy in the test phase.