علوم آب و خاک

در این مطالعه، ضریب دبی سرریزهای لبه تیز واقع بر کانال‌های دایره‌ای با استفاده از مدل‌های انفیس و انفیس-کرم شب‌تاب شبیه‌سازی شد. همچنین برای بررسی افزایش قابلیت مدل‌های عددی از شبیه‌سازی‌های مونت‌کارلو استفاده شد. این درحالی است که روش اعتبارسنجی ضربدری برای صحت‌سنجی مدل‌های عددی به‌کار گرفته شد. با توجه به پارامترهای ورودی، چهار مدل انفیس و انفیس-کرم شب‌تاب معرفی شد. تجزیه‌و‌تحلیل نتایج عددی نشان می‌دهد که مدل برتر ضریب دبی را به‌عنوان تابعی از عدد فرود (Fr) و نسبت عمق جریان روی تاج سرریز به ارتفاع تاج سرریز (h/P) شبیه‌سازی کرد. مقادیر MARE، RMSE و R برای مدل برتر به‌ترتیب برابر 0/001، 0/002 و 0/999 محاسبه شد. این درحالی است که حداکثر مقدار MARE برای این مطالعه کمتر از 2 درصد بود. 

بارندگی مهم‌ترین منبع تأمین آب شرب و کشاورزی ساکنین نواحی مختلف کره زمین محسوب می‌شود. بنابراین شبیه‌سازی و تخمین این پدیده هیدرولوژیکی از اهمیت بسزایی برخوردار است. در این مطالعه برای اولین بار، بارش درازمدت شهر رشت در طی یک دوره 62 ساله از 1956 تا 2017 به‌صورت ماهانه توسط یک مدل هوش مصنوعی ترکیبی بهینه‌یافته، شبیه‌سازی شد. برای توسعه مدل هوش مصنوعی ترکیبی (WGEP)، مدل برنامه‌نویسی بیان ژن (GEP) و تبدیل موجک (Wavelet transform) ترکیب شدند. در ابتدا، تأخیرهای مؤثر داده‌های سری زمانی با استفاده از تابع خودهمبستگی شناسایی شدند و با استفاده از آنها برای هر یک از مدل‌های GEP و WGEP هشت مدل متفاوت تعریف شد. سپس، نتایج مدل‌های GEP تجزیه‌و‌تحلیل شدند و مدل برتر GEP و مؤثرترین تأخیرها معرفی شدند. مقادیر شاخص عملکرد (VAF)، ضریب همبستگی (R) و شاخص پراکندگی (SI) برای مدل برتر GEP به‌ترتیب‌ مساوی با 25/765، 0/508 و 0/709 محاسبه شدند. علاوه بر این، تأخیرهای شماره (t-1)، (t-2)، (t-3) و (t-12) مؤثرترین تأخیرها بودند. در ادامه، اعضای مختلف موجک ­های مادر نیز بررسی شدند که موجک مادر demy به‌عنوان بهینه‌ترین انتخاب شد. همچنین، تجزیه‌و‌تحلیل نتایج مدل‌های ترکیبی نشان داد که تبدیل موجک عملکرد مدل برنامه­نویسی بیان ژن را به‌شکل قابل ملاحظه‌ای بهبود بخشید. استفاده از این موجک مادر باعث افزایش سه برابری شاخص عملکرد مدل WGEP برتر شد. علاوه بر این، شاخص‌های آماری R و MARE برای مدل WGEP برتر به‌ترتیب‌ مساوی با 0/935 و 0/862 به‌دست آمدند. همچنین مقادیر SI، VAF و ضریب نش‌ساتکلیف برای این مدل به‌ترتیب‌ برابر با 0/296، 0/394 و 0/858 تخمین زده شدند. نتایج این مطالعه نشان داد که تبدیل موجک عملکرد مدل برنامه‌نویسی بیان ژن را به‌شکل قابل توجهی افزایش می‌دهد و پیشنهاد می‌شود تبدیل موجک برای بهبود عملکرد سایر الگوریتم‌های هوش مصنوعی در مباحث هیدرولوژیکی مورد استفاده قرار گیرد.

در این مطالعه، عمق حفره آبشستگی در پائین¬دست سرریزهای سنگی با شکل¬های مختلف J، I، U و W توسط یک روش نوین هوش مصنوعی تحت عنوان ماشین آموزش نیرومند خارج از محدوده (ORELM) شبیه¬سازی شد. داده¬های مشاهداتی به دو دسته آموزش (70 درصد) و تست (30 درصد) تقسیم شدند. سپس تابع فعال¬سازی بهینه برای شبیه¬سازی عمق آبشستگی در پائین¬دست سرریزهای سنگی انتخاب شد. در ادامه، با استفاده از پارامترهای ورودی که شامل نسبت طول سازه به عرض کانال (b/B)، عدد فرود تراکمی (Fd)، نسبت اختلاف عمق جریان بالادست و پائین¬دست سازه به ارتفاع سازه (Δy/hst) و فاکتور شکل سازه (φ)، یازده مدل مختلف ORELM برای تخمین عمق آبشستگی توسعه داده شدند. با انجام یک تحلیل حساسیت، مدل برتر و مؤثرترین پارامترهای ورودی شناسایی شدند. مدل برتر مقادیر آبشستگی¬ها را توسط پارامترهای بدون بعد b/B, Fd, Δy/hst شبیه¬سازی کرد. برای این مدل، مقادیر ضریب همبستگی (R)، شاخص عملکرد  (VAF)و ضریب نش (NSC) برای مدل برتر در شرایط تست به¬ترتیب مساوی با 0/956، 91/378 و 0/908 بدست آمدند. همچنین، پارامترهای بدون بعد b/B, Δy/hst به¬عنوان مؤثرترین پارامترهای ورودی شناسایی شدند. همچنین، نتایج مدل برتر با مدل ماشین آموزش نیرومند نیز مقایسه شدند که مدل ORELM دقت بیشتری داشت. علاوه بر این، تحلیل عدم قطعیت نشان داد که مدل ORELM مقادیر آبشستگی¬ها را بیشتر از واقعیت تخمین زد. در ادامه، برای مدل برتر، یک تحلیل حساسیت مشتق نسبی (PDSA) اجرا گردید.