استفاده از الگوریتم خوشه بندی فازی در تعیین میزان رسوبات بارمعلق روزانه (مطالعه موردی: حوزه آبخیز کسیلیان)

Authors

مهری عبدی دهکردی

m. abdi dehkordi دانشکده مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان امیر احمد دهقانی

a. a. dehghani دانشکده مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان مهدی مفتاح هلقی

m. meftah دانشکده مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان مهدی کاهه

m. kahe دانشکده مهندسی آب، دانشگاه شهید چمران اهواز موسی حسام

abstract

تخمین دقیق بار معلق رسوبات حمل شده توسط یک رودخانه در بسیاری از پروژه های منابع آب مانند سد سازی، مهار سیلاب، قابلیت کشتی رانی، زیبایی شناسی رودخانه و مسائل زیست محیطی دارای اهمیت فراوان می باشد. پیچیدگی رفتار رسوبات سبب شده است تا فن آوری های نوین مانند منطق فازی که توانایی شناسایی ارتباط غیرخطی بین متغیرهای ورودی و خروجی یک مسئله را دارا می باشند، مورد توجه قرار گیرند. در این تحقیق کاربرد الگوریتم خوشه بندی فازی در تخمین میزان رسوبات بار معلق مورد بررسی قرار گرفته است. برای این منظور از آمار متناظر دبی جریان و دبی رسوب ایستگاه ولیک بن در حوزه معرف کسیلیان که طی سال های آماری 1350-1349 الی 1354-1353، به صورت روزانه اندازه گیری شده است، استفاده گردید. 75 درصد داده های متناظر به عنوان داده های آموزش و 25 درصد دیگر داده ها به منظور صحت سنجی، آزمون و تعیین خطای معادلات در نظر گرفته شد. نتایج به دست آمده از این روش با استفاده از شاخص های آماری با نتایج حاصل از روش مرسوم منحنی سنجه رسوب مقایسه گردید. نتایج نشان داد که چنانچه داده ها به صورت سالانه دسته بندی شوند، با استفاده از روش الگوریتم خوشه بندی فازی می توان تا 49/0 برابر مقدار رسوب سالانه ی مشاهده شده را تخمین زد، این در حالی است که با استفاده از روش معمول سنجه رسوب در مقیاس سالانه این عدد 19/0 می باشد. بنابراین روش الگوریتم خوشه بندی فازی با دقت بسیار مناسب و با اطمینان بیشتر نسبت به روش منحنی سنجه رسوب می تواند برای تخمین رسوبات بارمعلق مورد استفاده قرار گیرد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

استفاده از الگوریتم خوشه‌بندی فازی در تعیین میزان رسوبات بارمعلق روزانه (مطالعه موردی: حوزه آبخیز کسیلیان)

In many water resource projects such as dams, flood control, navigability, river aesthetics, environmental issues and the estimation of suspended load have great importance. The complexity of sediment behavior and mathematical and physical model inability in simulation of sedimentation processes have led to the development of new technologies such as fuzzy logic which has the ability to identif...

full text

تخمین دبی اوج سیلاب و حجم رواناب رگبار با استفاده از شبکه عصبی- فازی تطبیقی (مطالعه موردی: حوزه آبخیز کسیلیان)

     Prediction of flood peak discharge and runoff volume is one of the major challenges in the management of watersheds. The present study was carried out to estimate event flood peak discharge and runoff volume using artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) in Kasilian watershed, Iran. For this purpose, 15 rainfall characteristics were considered for 6...

full text

بازسازی دبی روزانه با استفاده از روش های شبکه عصبی و فازی- عصبی(مطالعه موردی: سرشاخه های حوزه آبخیز کارون)

برای برآورد دبی روزانه در مدل‏های هیدرولوژی نیاز به دبی‏های پیوسته در بازه زمانی روزانه هست. تعداد سال‏های آماری متفاوت، نواقص آماری و خطای اندازه‏گیری باعث ایجاد سری‏های زمانی با پایه زمانی غیرمشترک می‏گردد. بنابراین بازسازی داده‏های دبی روزانه از اهمیت ویژه‏ای برخوردار است. این تحقیق به‌منظور بازسازی دبی روزانه در یکی از سرشاخه‏های رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق ...

full text

پهنه بندی خطر زمین لغزش با استفاده از اپراتور فازی گاما (مطالعه موردی: حوزه آبخیز هراز)

محدودیت استفاده از اعداد محققین را بر آن داشته که از مجموعه های فازی برای بیان وزن عوامل استفاده کنند. مزیت این تئوری در آن است که به جای یک عدد، دامنهای از اعداد با درجه امکان مشارکت در لغزش در نظر گرفته میشود. لذا هنگامی که از تئوری مجموعه های فازی برای بیان وزن عوامل استفاده میشود به طور قطع و یقین یک عدد به عنوان وزن تعیین نمیگردد، بلکه تنها امکان صحیح بودن عدد ارائه شده بیش از امکان صحیح ب...

full text

ارایه شاخصی جدید جهت سنجش اعتبار خوشه بندی در الگوریتم های خوشه بندی فازی نوع-2

One of the main issues in fuzzy clustering is to determine the number of clusters that should be available before clustering and selection of different values for the number of clusters will lead to different results. Then, different clusters obtained from different number of clusters should be validated with an index. But so far such an index has not been introduced for interval type-2 fuzzy C...

full text

My Resources

Save resource for easier access later


Journal title:
علوم آب و خاک

جلد ۱۸، شماره ۶۸، صفحات ۱۲۱-۱۳۱

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023