Akarsularda sürüntü maddesi hesabı

Abstract

Akarsularda taşınan katı madde, askı maddesi ve sürüntü maddesi olarak iki grupta incelenmektedir. Bu çalışmada sürüntü maddesi hesabı üzerinde çalışılmıştır Havzaların sürüntü maddesi verimleri havzanın morfolojik hidrometrik ve fizyolojik değişkenlerinin bir fonksiyonudur. Verilen hidrolik şartlarda sürüntü malzemesi debisinin hesabı için birçok yöntem geliştirilmiştir. Ancak bu yöntemlerin her biri belirli akım ve malzeme özellikleri için iyi sonuç vermektedir. Katı madde hareketinde Sürüntü maddesi taşınım şekillerini belirlemek oldukça zordur. Ayrıca ölçümü de çok zordur. Evrensel geçerliliği olan bir yöntem henüz geliştirilememiştir. Son yıllarda, yapay zeka tekniklerinden yapay sinir ağları (YSA) ve çeşitli regresyon teknikleri hidroloji ve hidrolik mühendisliğinde yaygın olarak kullanılmaktadır. Bu yöntemler, bu çalışmada sürüntü maddesi hareketinin esnek yöntemlerle modellenmesi için kullanılmıştır. Sürüntü maddesi miktarının belirlenmesi zor olduğundan bu çalışmada; yapay sinir ağları yöntemi ve çeşitli regresyon teknikleri kullanılarak sürüntü maddesi taşınımı arazi için modellenmiştir. Bu yöntemler 12 değişik nehrin verileri için kullanılarak elde edilen sonuçlar değerlendirildi. Yapılan değerlendirme neticesinde sürüntü maddesinin miktarını belirlemede en iyi sonucu veren yöntem yapay sinir ağları yöntemi olduğu anlaşılmıştır

Sediment in streams occurs as bedload when particles move by rolling, sliding, and saltation at or near the streambed, or as suspended load when particles are maintained in the water by turbulence. In this study, bedload sediment transport in rivers is modeled using artificial neural networks (ANN). Bedload sediment in rivers is the function of river morphological hydrometrics and physiological factors. In the literature for estimating bedload sediment transport, a lot of methods have been improved in this hydraulic state. All of these methods well work only for limited discharge and material data. It is difficult to know the transport mode of bedload material. Bedload sediment measurement also is so difficult. Recently, among the soft computational methods Artificial Neural Networks (ANN) approach have been used extensively in hydrology and hydraulic engineering. ANN and some regression methods have been used for estimating bedload sediment in rivers. In this study, these methods have been used to estimate bedload sediment for 27 pieces Rivers and compared to each other. The results of ANN models have shown that ANN can be applied successfully and provides high accuracy and reliability for bedload sediment prediction.