انجمن آبیاری و زهکشی ایران نشریه آبیاری و زهکشی ایران 2008-7942 12 4 2018 10 23 Investigation of the Performance of Classical and Artificial Intelligence Approaches in Prediction of Roughness Coefficient in Meanders بررسی عملکرد روشهای کلاسیک و هوش مصنوعی در تخمین ضریب زبری در پیچانرودها 811 822 79357 FA کیومرث روشنگر دانشیار گروه آب دانشکده عمران دانشگاه تبریز رقیه قاسم‌پور دانشجوی دکتری عمران مهندسی و مدیریت منابع آب دانشگاه تبریز Journal Article 2018 01 04 Accurate prediction of the river's roughness coefficient is always one of the most important and substantial issues in the hydraulic modeling of open channels. In the current research, the Support Vectore Machine (SVM) and Adaptive Neuro-Fuzzy Inference System (ANFIS) intelligent approaches were used to estimate the hydraulic roughness of meandering rivers, and the impacts of different variables including: channel slope, channel sinuosity and also, hydraulic parameters such as Reynolds number on prediction of the roughness coefficient in these types of channels were investigated. On the other hand, the obtained results were compared with classical methods. In order to model the roughness coefficient, two experimental data series related to the sinusoidal shaped channels were used. The obtained results showed that the SVM and ANFIS intelligent methods are more accurate and reliable in estimating the Manning roughness coefficient in natural rivers than semi-experimental formulas. It was observed that in estimation of the Manning roughness coefficient, the model with input variables of <em>α</em> (shape factor), <em>Sr</em> (sinusoidal coefficient), <em>S₀</em> (channel slope) and <em>Re</em> (Reynolds number) leads to the more accurate results. The results showed that in estimating the roughness coefficient in the meandering rivers, the effect of the shape factor on increasing the accuracy of the models is more than the sinusoidal coefficient. Also, the results of sensitivity analysis indicated that the channel slope is the most effective parameter in estimating the roughness coefficient in the meandering rivers. برآورد دقیق ضریب زبری رودخانه­ها همواره از مسایل مهم و اساسی در مدل‌سازی هیدرولیک رودها می­باشد. در تحقیق کنونی از روش­های هوشمند ماشین­بردار پشتیبان (SVM) و سیستم استنتاج تطبیقی عصبی- فازی (ANFIS) جهت تخمین زبری هیدرولیکی پیچان­رودها استفاده گردید و تأثیر پارامترهای مختلفی از قبیل شیب کانال، میزان سینوسی بودن کانال و هم­چنین پارامترهای هیدرولیکی مانند عدد رینولدز جریان در تعیین زبری این نوع کانال­ها مورد بررسی قرار گرفت. از طرف دیگر، نتایج حاصل با روش­های کلاسیک مقایسه گردید. جهت مدل­سازی ضریب زبری از دو سری داده آزمایشگاهی مربوط به کانال­های سینوسی­شکل استفاده گردید. نتایج حاصله نشان­داد که روش­های هوشمند SVM و ANFIS در تخمین ضریب زبری مانینگ در رودخانه­های طبیعی نسبت به فرمول‌های نیمه­تجربی دقیق­تر و قابل‌اعتمادتر می­باشند. ملاحظه گردید که در تخمین ضریب زبری مانینگ مدل با پارامترهای ورودی<em>α</em> (ضریب شکل)، <em>Sr</em>(ضریب مارپیچی)، <em>S₀</em>(شیب کانال) و <em>Re</em>(عدد رینولدز) منجر به جواب­های دقیق­تری می­گردد. نتایج به‌دست ‌آمده نشان داد که در تخمین ضریب زبری در پیچان­رودها، تأثیر پارامتر ضریب شکل در افزایش دقت مدل­ها از ضریب سینوسی بیش­تر است. هم­چنین نتایج تحلیل حساسیت نشان داد که شیب کانال تأثیرگذارترین پارامتر در تخمین ضریب زبری در پیچان­رودها است. https://idj.iaid.ir/article_79357_6d7d2b6f10633c1d1e91f5338f27f16f.pdf