چارچوبی یکپارچه برای پایش بلادرنگ رسوبات رودخانه: تلفیق هیدرومتری کم هزینه با مقایسه مدل های LSTM و N-BEATS و تحلیل عدم قطعیت

هدف: هدف اصلی این پژوهش، توسعه یک چارچوب یکپارچه برای پیش بینی قطر متوسط رسوبات بستر رودخانه (D۵۰) و مقایسه عملکرد دو معماری پیشرو در یادگیری عمیق، شامل شبکه حافظه طولانی کوتاه مدت (LSTM) و مدل تحلیل انبساط پایه عصبی (N-BEATS)، در پیش بینی D۵۰ بود. همچنین، تحلیل عدم قطعیت با استفاده از تکنیک Monte Carlo Dropout به منظور ارزیابی میزان اطمینان پیش بینی های مدل LSTM انجام شد. روش پژوهش: داده های سری زمانی تراز آب با فرکانس بالا که با استفاده از یک سنسور اولتراسونیک کم هزینه ثبت شده بودند، به عنوان ورودی مدل ها مورداستفاده قرار گرفتند. برای ایجاد یک سری زمانی پیوسته از D۵۰، داده های حاصل از نمونه های فیزیکی رسوبات بستر با استفاده از مدل فرایند گوسی (GP) بازسازی شدند. سپس مدل های LSTM و N-BEATS برای پیش بینی D۵۰ توسعه و ارزیابی شدند. همچنین، تکنیک Monte Carlo Dropout برای تحلیل عدم قطعیت و ارزیابی میزان اطمینان پیش بینی های مدل LSTM به کار گرفته شد. یافته ها: هر دو مدل LSTM و N-BEATS توانایی بالایی در یادگیری الگوهای پیچیده و پیش بینی D۵۰ نشان دادند. بااین حال، مدل N-BEATS با دستیابی به ضریب تعیین (R²) برابر با ۰.۸۷۱، عملکرد دقیق تری نسبت به مدل LSTM با R² برابر با ۰.۸۶۱ داشت. این نتایج نشان دهنده برتری N-BEATS در دقت پیش بینی نقطه ای قطر متوسط رسوبات بستر است. نتیجه گیری: دریچه های سالونی مستطیلی چندگانه دارای تبدیل تدریجی، با بهبود عملکرد هیدرولیکی، می توانند به عنوان ابزاری قابل اعتماد برای اندازه گیری و کنترل جریان در کانال های روباز مورداستفاده قرار گیرند.

کلیدواژه ها:

پیش بینی D۵۰ ، یادگیری عمیق ، سنسور اولتراسونیک ، تحلیل عدم قطعیت ، N-BEATS