یک چارچوب مونت کارلو-LSTM برای ارزیابی واقع بینانه و مدیریت پیش بینانه لایروبی کانال های شهری

ارزیابی اثربخشی لایروبی کانال ها برای مدیریت پایدار رواناب شهری حیاتی است. با این حال، رویکردهای سنتی که به گزارش یک شاخص قطعی (مانند درصد کاهش زبری مانینگ) اکتفا می کنند، عدم قطعیت های ذاتی در اندازه گیری های میدانی و پتانسیل مدل های پیش بینی مدرن را نادیده می گیرند. این پژوهش یک چارچوب ارزیابی دوگانه و نوآورانه برای رفع این خلاء ارائه می دهد. در این مطالعه، از داده های میدانی سطح آب و سرعت جریان قبل و بعد از لایروبی کانال ابوذر تهران استفاده شد. ابتدا، یک شبیه سازی مونت کارلو برای کمی سازی تاثیر عدم قطعیت در پارامترهای اندازه گیری شده بر روی ضریب زبری مانینگ پیاده سازی شد. سپس، به عنوان اثبات مفهوم، یک شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) برای پیش بینی سری زمانی نوسانات سطح آب در کانال، بر اساس داده های سنسورها، توسعه داده شد. نتایج تحلیل عدم قطعیت نشان داد که اگرچه میانگین کاهش ضریب مانینگ ۴.۴۷ درصد بود، اما بازه اطمینان ۹۵% این کاهش، بسیار گسترده و بین ۹.۶۶- تا ۱۷.۱۲درصد قرار دارد. این یافته بر اهمیت حیاتی در نظر گرفتن عدم قطعیت در تحلیل های هیدرولیکی تاکید می کند. علاوه بر این، مدل LSTM توسعه یافته با موفقیت الگوهای زمانی را فرا گرفت و توانست سطح آب را با دقت بالا و ریشه میانگین مربعات خطای (RMSE) تنها ۳.۲ سانتی متر بر روی داده های آزمون، پیش بینی نماید. این مطالعه نتیجه می گیرد که تلفیق تحلیل های احتمالاتی با مدل های پیش بینی هوش مصنوعی، دیدگاهی بسیار واقع بینانه تر و جامع تر نسبت به روش های ارزیابی سنتی فراهم کرده و گامی اساسی به سوی مدیریت داده محور و هوشمند زیرساخت های آبی شهری است.

کلیدواژه ها:

لایروبی کانال ، ضریب مانینگ ، تحلیل عدم قطعیت ، شبیه سازی مونت کارلو ، یادگیری عمیق ، LSTM