علوم آب و خاک

سرریزهای زیگزاگی با افزایش طول تاج در یک محدوده عرضی مشخص، موجب افزایش ظرفیت آبگذری سرریز می‌شوند. پژوهش حاضر روی یک فلوم آزمایشگاهی به طول 8 متر، عرض 0/6 متر و ارتفاع 0/6 متر انجام شد. بررسی آزمایشگاهی ضریب آبگذری با استفاده از سرریزهای زیگزاگی مستطیلی متقارن و نامتقارن (دوسیکل) انجام گرفت. آنالیز ابعادی به روش باکینگهام نشان داد که ضریب آبگذری (Cd) تابع پارامترهایی مانند نسبت هد هیدرولیکی کل (Ht/P)، نسبت عرض سیکل چپ به راست (WL/WR)، نسبت طول تاج جانبی سرریز (B/W_avg) و فاکتور شکل سرریز (Se) است. نتایج نشان داد که افزایش هد هیدرولیکی باعث کاهش ضریب آبگذری در سرریزهای زیگزاگی متقارن و نامتقارن و نیز سرریز خطی می‌شود. سرریزهای زیگزاگی نامتقارن با (2/05=WL/WR) در مقایسه با سرریز زیگزاگی متقارن با (1=WL/WR)، عملکرد هیدرولیکی مناسب‌تری داشت. از نظر کمّی می‌توان بیان داشت ضریب آبگذری سرریز زیگزاگی با (3/1=B/W_avg) در مقایسه با (2/93=B/W_avg) و(2/76=B/W_avg) به‌ترتیب در حدود 21 درصد و 94 درصد بیشتر است. ضریب آبگذری سرریزهای زیگزاگی با (2/05=WL/WR) در مقایسه با (1=WL/WR) حدود 10 تا 27 درصد بیشتر است. ضریب آبگذری سرریز خطی نیز در حدود 60 تا 250 درصد در مقایسه با سرریزهای زیگزاگی بیشتر است.

نشست غیرقابل پیش‌بینی سدهای خاکی پژوهشگران را بر آن داشته تا روش‌های نوین نظیر شبکه عصبی مصنوعی، تئوری موجک، منطق فازی و ترکیبی از این روش‌ها مورد توجه آنها قرار گیرد. در این پژوهش با استفاده از روش‌های هوش مصنوعی مقدار نشست تاج در سدهای سنگریزه‌ای با هسته مرکزی تخمین زده شده است. در این پژوهش از داده‌های 35 سد سنگریزه‌ای با هسته مرکزی برای آموزش و صحت‌سنجی مدل‌ها استفاده شد. شبکه عصبی مصنوعی، مدل ترکیب تبدیل موجک و شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی فازی- عصبی مدل‌های پیشنهادی ارائه شده در این پژوهش هستند. بر اساس نتایج حاصل در مطالعه حاضر، بهترین مدل برای شبکه عصبی مصنوعی با دو لایه مخفی که لایه اول 18 نورون و لایه دوم 7 نورون و با تابع فعال‌ساز Tansig-Tansig، با ضریب تعیین R2=0.4969، برای مدل سیستم استنتاج فازی- عصبی، تابع حلقوی (Dsigmoid) به‌عنوان تابع عضویت، با 3 تابع عضویت و تعداد 142 تکرار با ضریب تعیین R2=0.2860، بهترین مدل و همچنین برای ترکیب تبدیل موجک- شبکه عصبی با تابع موجک coif2 به‌دلیل انطباق بیشتر این تابع با متغیرهای ورودی، عملکرد بهتری داشته و این تابع با ضریب تعیین R2=0.9447، دارای بیشترین دقت نسبت به سایر مدل‌ها است. 

روش شماره منحنی رواناب به‌طور گسترده‌ای جهت پیش‌بینی رواناب استفاده شده و در بسیاری از بسته‌های نرم‌افزاری محبوب برای مدل‌سازی گنجانده شده است؛ اما تا حد زیادی به خصوصیات گروه‌های هیدرولوژیکی خاک وابسته است. بنابراین، تلاش در جهت کاهش این اثر و استخراج اطلاعات خاک ضروری است. مطالعه حاضر به‌‌منظور ادغام منطق فازی برای استخراج شماره منحنی رواناب انجام شده است. برای دستیابی به این هدف مدل توزیعی جدیدی به نام CNS2 توسعه داده شده است. در بخش نخست، فرموله¬کردن و برنامه‌نویسی مدل CNS2‌ با استفاده از محیط زبان برنامه‌نویسی پایتون انجام شد، سپس مدل در حوزه آبخیز بهشت¬آباد اجرا شد. این مدل در گام زمانی ماهانه با شماره منحنی فازی و در نظرگرفتن فاکتور تعداد روزهای بارانی، ضریب مدیریت معادله جهانی فرسایش خاک،‌ شیب و ضریب تتای خاک، میزان تولید رواناب را در یک حوزه آبخیز شبیه‌سازی می‌نماید. نتایج بیانگر آن است که مدل با شاخص نش- ساتکلیف 0/6 و ضریب تبیین 0/63 در دورۀ واسنجی و شاخص نش 0/53 و ضریب تبیین 0/56 در دورۀ اعتبارسنجی، کارائی مناسب‌تری نسبت به روش سنتی شماره منحنی در شبیه‌سازی رواناب دارد. مزیت توزیعی¬بودن مدل امکان شناخت مناطق با تولید رواناب بیشتر را فراهم می‌آورد.