علوم آب و خاک

حرکت سریع و پیچیده رسوبات در محیط‌های رودخانه‌ای و ساحلی با جریان بسیار فرسایشی و گذرا مشکلات زیادی را برای مهندسان رودخانه در موضوع ژئومورفولوژی رودخانه‌های آبرفتی ایجاد می‌کند. پیش‌بینی دقیق این پیچیدگی‌ها در سیستم آب - رسوب (یک سیستم جریان دانه‌ای متراکم چند فازی) هنوز یک چالش عمده برای مدل‌های مبتنی بر شبکه است. باتوجه‌به توانایی روش‌های لاگرانژی بدون شبکه در مدل‌سازی تغییر شکل‌های بزرگ و ناپیوستگی‌ها، روش‌های لاگرانژی بدون شبکه می‌توانند یک فرصت منحصربه‌فرد برای مقابله با چنین پیچیدگی فراهم کنند. پژوهش حاضر قابلیت‌های مدل نیمه‌ضمنی ذرات متحرک با تراکم ضعیف Weakly compressibility moving particle semi-implicit (WC-MPS) در مدل‌سازی برهم‌کنش خاک - سیال را توسعه می‌دهد تا امکان مدل‌سازی انتقال رسوب و اثرات آب‌شستگی را در پشت دیواره‌های ساحلی فراهم کند. در این روش مواد دانه‌ای به‌صورت یک سیال غیر نیوتنی و ویسکوپلاستیک در نظر گرفته شده است. برای پیش‌بینی رفتار غیر نیوتنی فاز دانه‌ای، از مدل رئولوژیکی 𝜇(I) استفاده شده است. به‌منظور تأیید کاربرد مدل حاضر در شبیه‌سازی برهم‏کنش فازهای مایع و جامد، ابتدا مسئله پرکاربرد شکست سد روی بستر فرسایش‌پذیر مدل‌سازی شد. متوسط خطای مدل مد نظر تقریباً 6 درصد محاسبه شد که نشان‌دهنده کارایی و دقت مدل مد نظر در این مسئله است. در انتها، آب‌شستگی دیواره‌های ساحلی شبیه‌سازی شد. بررسی‌ها نشان داد که فرایندهای مرتبط با فرسایش و آب‌شستگی به‌خوبی توسط روش لاگرانژی حاضر قابل مدل‌سازی بوده و نتایج عددی با اندازه‌گیری‌های آزمایشگاهی مطابقت بسیار خوبی (با متوسط خطای مدل برابر با 10 درصد) را نشان داد.

پیش‌بینی جریان رودخانه یکی از جنبه‌های کلیدی هیدرولوژی است که نقش بسزایی در مدیریت منابع آب، کاهش خطرات ناشی از سیل و برنامه‌ریزی کشاورزی ایفا می‌کند. هدف اصلی این مطالعه، شبیه‌سازی دقیق و پیش‌بینی جریان ماهانه رودخانه رازاور در استان کرمانشاه، با توسعه و ارزیابی مدل ترکیبی ماشین یادگیری افراطی (ELM) بهینه‌سازی‌شده توسط الگوریتم‌های فراابتکاری نهنگ (WOA) و ملخ (GOA) است. برای این منظور، داده‌های ماهانه جریان رودخانه، بارندگی، تبخیر و دما برای یک بازه زمانی ۱۰ساله با گام زمانی ماهانه جمع‌آوری و در بازه عددی صفر تا یک نرمال‌سازی شدند. 80 درصد داده‌ها برای آموزش و 20 درصد باقی‌مانده برای ارزیابی مدل‌ها استفاده شد. عملکرد مدل‌ها با شاخص‌های آماریNSE ، RMSE و R² سنجیده شد. ابتدا مدل پایه ELM با استفاده از روش سعی و خطا برای تنظیم وزن‌های بین لایه‌های پنهان و خروجی توسعه یافت. سپس، الگوریتم‌های WOA و GOA برای بهینه‌سازی وزن‌ها به کار گرفته شدند. نتایج نشان داد که مدل پایه ELM نسبت به مدل‌های بهینه‌سازی‌شده عملکرد ضعیف‌تری دارد (آموزش:0/1427=R2=0/7911 ،NSE=0/7795 ،RSME ، تست: 0/1406=R2=0/7916 ،NSE=0/7811 ،RSME. مدل GOA-ELM نسبت به مدل ELM عملکرد بهتر اما نسبت به مدل WOA-ELM عملکرد ضعیف‌تری داشت (آموزش:0/1366 =R2=0/7922 ،NSE= 0/7855 ،RSME ، تست: 7R2=0/7925 ،NSE=0/7859 ،0/1328= .(RSME مدل WOA-ELM نسبت به همه مدل‌ها عملکرد بهتری دارد (آموزش: 0/1215=R2=0/793 ،NSE=0/7869 ،RSME،تست: 0/1165  =R2=0/7933 ،NSE=0/7872 ،RSME). این پژوهش نشان می‌دهد که الگوریتم‌های بهینه‌سازی فراابتکاری به دلیل توانایی جستجوی جامع و جلوگیری از گرفتار شدن در بهینه‌های محلی، نقش مهمی در بهبود عملکرد مدل‌های پیش‌بینی جریان رودخانه دارند. یافته‌های این مطالعه، بر اهمیت به‌کارگیری این تکنیک‌ها در مدیریت منابع آب و برنامه‌ریزی پایدار تأکید می‌کند و زمینه‌ساز پژوهش‌های آتی در این حوزه خواهد بود.