خلاصه

یکی از پارامترهای مهم در علم هیدرولوژی منحنی تداوم جریان یا دبی کلاسه در رودخانه است. بررسی منحنی تداوم جریان و تعیین دبیهای شاخص (مانند دبی نرمال، دبی میانه) در برنامه ریزیهای آب رودخانه جهت استفادههای شرب و یا احداث بندهای انحرافی برای کشاورزی حائز اهمیت است. استخراج منحنی تداوم جریان طی سالهای آماری طولانی ۲۰) سال یا بیشتر) این امکان را فراهم میسازد که بتوان تحلیل آماری روی داده های رودخانه انجام داد و چنین منحنیهایی را برای دوره های بازگشت مختلف رسم نمود. بنابراین استخراج دقیق این منحنی ها با حداقل خطا حائز اهمیت فراوانی است. در این تحقیق به بررسی کارایی مدلهای هوشمند شامل شبکه عصبی مصنوعی، ماشین بردار پشتیبان و مدلهای رگرسیونی در استخراج منحنی تداوم جریان ایستگاه خزانگاه رودخانه ارس واقع در استان آذربایجان شرقی پرداخته شد. بررسی انواع مدل های کلاسیک رگرسیونی نشان داد که مدل رگرسیونی نمایی دارای بهترین عملکرد بود به طوری که با R2 = 0/9056 و RMSE= 179 (روز) دارای حداقل مقدار خطا و بالاترین ضریب تبیین مقدار بود. در مدل شبکه عصبی مصنوعی نیزمقدار R2 و RMSE مدل به ترتیب برابر ۰/۹۴۷۳ و ۳۴۹ روز می باشد به طوریکه دبی در محدودههای کم به خوبی برآورد شده است. بررسی عملکرد انواع کرنل های ماشین بردار پشتیبان نشان داد که کرنل RBF بهترین عملکرد را در شبیه سازی منحنی تداوم جریان داشت، به طوری که با R2 = 0 /998 و RMSE= 39 (روز) دارای حداقل مقدار خطا و بالاترین ضریب تبیین مقدار بود. مقایسه نتایج بین انواع روشها براساس دو آماره R2 و RMSE نشان داد، در این ایستگاه مدل ماشین بردار پشتیبان بهترین نتیجه را نشان داد.

کلمات کلیدی: ایستگاه خزانگاه، رودخانه ارس، روش ماشین پشتیبان، مدلهای هوشمند، منحنی تداوم

.۱ مقدمه

یکی از پارامترهای مهم در علم هیدرولوژی، منحنی تداوم جریان (Flow Duration curve) یا دبی کلاسه در رودخانه است. این منحنی از رسم دبی رودخانه نسبت به زمان (تجمعی) به دست میآید. این روش اولین بار توسط شخصی به نام ریپل (۵LSSOe) ارائه شد. منحنی تداوم جریان یکی از مفیدترین روشهای نمایشی محدوده کاملی از دبی های جریان کم تا جریان های سیلابی رودخانه است. منحنی تداوم جریان رابطه بین مقدار دبی معین و درصد زمانی که این دبی برابر یا از حد معینی تجاوز می کند، را نشان می دهد.

شکل و تفسیر عمومی هر منحنی تداوم جریان بستگی به مشخصات هیدرومتری و دوره آماری دارد .[۱] شکل منحنی تداوم جریان، شاخصی از شرایط هیدرولوژیک حوضه آبخیز است و شیب این منحنی در هر لحظه مقدار دبی را در همان لحظه نشان میدهد. اگر شیب بخش جریان کم منحنی تداوم جریان، کوچک باشد جریان کم پایدار بوده و شیب تندتر بیانگر جریان پایه متغیر و کم است. جریانهای در محدوده ۰۷-۹۹ درصد احتمال تجاوز، معمولا به طور وسیعی در جریان های کم مورد استفاده قرار می گیرد. طولانیترین دوره ثبت شده از روز های پی در پی جریان صفر

۱ استادیار گروه مهندسی آب، دانشگاه زنجان

۲ دانشجوی کارشناسی ارشد منابع آب گروه مهندسی آب، دانشگاه تبریز

به عنوان شاخصی از خشکی شدید می باشد .[۲] این منحنی برای تعیین رژیم آبدهی یک رودخانه ابزار توانمندی است و توزیع جریان را بدون توجه به تناوب رخداد آن مشخص می کند. شایان ذکر است مشخصات فیزیوگرافی یک عامل مهم و اثرگذار بر کلی منحنی ها میباشد، یعنی اندازه حوضه و خصوصیات فیزیوگرافی و خصوصیات اقلیمی روی شکل این منحنی تأثیر فراوانی دارد.

به طور کلی منحنی تداوم جریان یا دبی کلاسبندی شده در برنامهریزیهای آب رودخانه جهت استفادههای شرب و یا احداث بندهای انحرافی برای استفاده در کشاورزی حائز اهمیت بوده و باید در هر طرح هیدرولوژی برای رودخانه ها انجام شود. مثلا در استفاده از آب برای مصارف شهری، بایستی کمبودها و مازاد آب را برآورد و به ذخیرهسازی آب در مواقع مازاد اقدام کرد. موارد دیگر استفاده از منحنی تداوم جریان مطالعات مربوط به مدیریت جریان (محیط زیست)، مهندسی تولید جریان الکتریکی است. به دست آوردن منحنی تداوم جریان طی سالهای آماری طولانی ۲۷) سال یا بیشتر) این امکان را میدهد که بتوان روی دادهها تحلیل آماری انجام داده و چنین منحنیهایی را برای دورههای برگشت مختلف رسم نمود .[۱]

بررسی منابع صورت گرفته، نشان میدهد مطالعات محدودی در زمینه روش های استخراج دقیق این منحنی انجام گرفته است. پاتل (۲۷۷۰) در مطالعه ای در انگلستان به ارزیابی روش های تخمین جریان کم برای حوضه های فاقد آماربا استفاده از مدلهای رگرسیونی پرداخت. نتایج نشان داد که یک مدل رگرسیونی ساده برای تخمین جریان کم کفایت میکند به طوریکه اثر ترتیب شاخص جریان کم مهمترین پارامتر میباشد .[۳] اسلامیان و همکاران (۱۳۹۱) با استفاده از منحنی های تداوم جریان به محاسبه و ناحیه بندی شاخص های جریان کم و تعیین دوره های خشکسالی هیدرولوژیک حوضه آبخیر کرخه پرداختند. نتایج نشان داد بیشترین شاخصهای جریان کم در نواحی مرکزی و جنوبی حوضه میباشد. همچنین سالهای وقوع خشکسالی هیدرولوژیک در ایستگاه های مختلف حوضه آبخیز کرخه یکسان نیست .[۴]

با توجه به اینکه در مطالعات محققین مختلف کارائی مدلهای هوشمند از قبیل شبکه عصبی مصنوعی و ماشین بردار پشتیبان در شبیه سازی و پیش بینی انواع پدیده های هیدرولیکی-هیدرولوژیکی از قبیل سیل، تبخیر و تعرق، تابش خورشیدی، کیفیت و تراز آب زیرزمینی نشان داده شده ۵]، ۶ ، ۰، ۸ و [۹ و از طرفی در خصوص کاربرد این روشها در استخراج منحنی تدوام جریان مطالعه قابل ذکری انجام نگرفته است، هدف این تحقیق بررسی توانایی و دقت مدلهای هوشمند شبکه عصبی مصنوعی و ماشین بردار پشتیبان در شبیه سازی و پیش بینی منحنی تداوم جریان در مقایسه با مدل-های کلاسیک رگرسیونی میباشد.