موسسه انتشارات دانشگاه تهران تحقیقات آب و خاک ایران 2008-479X 55 7 2024 09 22 Experimental study of flow resistance in the presence of rigid vegetation and its prediction with intelligent models مطالعه آزمایشگاهی مقاومت جریان در حضور پوشش گیاهی صلب و پیش‌بینی آن با مدل‌های هوشمند 1167 1183 98872 10.22059/ijswr.2024.372519.669665 FA یاسر مهری گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران 0000-0002-1420-3445 محمدحسین امید گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران صلاح کوچک زاده گروه مهندسی آبیاری و آبادانی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران محسن نصرآبادی گروه علوم و مهندسی آب، دانشگاه اراک، اراک، ایران Journal Article 2024 02 12 Determining the resistance coefficients and reducing the uncertainty in selecting this parameter is one of the most essential factors in achieving the flow characteristics in rivers and open channels. Therefore, the appropriate selection of roughness coefficient in different conditions, such as vegetation, has been one of the important research topics. This research first determined the Manning’s roughness coefficient in a laboratory flume with different vegetation arrangements. Then, the ability of five intelligent models, including GMDH, ANN-RBF, RT, ANFIS, and ANFIS-PSO, to predict the Manning’s roughness coefficient was evaluated. The models were coded in the MATLAB software. Due to the creation of a gradually varied flow in the laboratory flume, the water level profile obtained through Euler's method was compared with the experimental values. The results showed an acceptable agreement between the experimental water level profiles and the estimates made by Euler's method. The evaluation of the results based on the statistics showed that the ANFIS-PSO model performs better than other models in predicting the Manning’s coefficient. Hence, the results of this model are RMSE=0.0096, R2=0.9984 and KGE=0.9922 in the training phase and RMSE=0.0099, R2= 0.9982 and KGE=0.9873 in the test phase. The ANN-RBF, GMDH, ANFIS, and RT models are in the next ranks. By evaluating the results of different combinations in modeling, it was found that three parameters of vegetation density (D), vegetation arrangement (N) and Reynolds number (Re) had, respectively, significant effect in estimating the correct results. تعیین ضرایب مقاومت و کاهش عدم قطعیت در انتخاب این پارامتر یکی از مهمترین عوامل دستیابی به مشخصات جریان در رودخانهها و مجاری روباز است. از این رو، انتخاب مطلوب ضریب زبری در شرایط مختلف مانند وجود پوشش گیاهی از جمله موضوعات موردتوجه پژوهشگران بوده است. در این پژوهش، ابتدا ضریب زبری مانینگ در یک فلوم آزمایشگاهی با حضور آرایشهای مختلف پوشش گیاهی تعیین شد. سپس توانایی پنج مدل هوشمند شامل GMDH، ANN-RBF،RT ، ANFIS و ANFIS-PSO در پیش‌بینی ضریب زبری مانینگ ارزیابی شد. مدل‌ها در محیط نرم‌افزار MATLAB  کدنویسی شد. با توجه به ایجاد جریان متغیر تدریجی در کانال آزمایشگاهی،  نیمرخ سطح آب به دست آمده از طریق حل به روش اویلر، با مقادیر اندازه‌گیری شده در آزمایشگاه مقایسه شد. نتایج نشان داد که تطابق قابل‌قبول بین پروفیل سطح آب آزمایشگاهی و برآوردهای انجام‌شده با روش اویلر وجود دارد. ارزیابی نتایج مدل‌ها بر اساس تحلیل آماری به‌کاررفته نشان‌ داد که مدل ANFIS - PSO عملکرد بهتری نسبت به سایر مدل‌ها در پیش‌بینی ضریب مانینگ دارد، به‌طوری که نتایج این مدل RMSE=0.0096، R2=0.9984 و KGE=0.9922 در مرحله آموزش و RMSE=0.0099، R2=0.9982 و KGE=0.9873 در مرحله آزمون است. در مراتب بعد، از لحاظ دقت به‌ترتیب مدل‌های‌ ANN-RBF، GMDH، ANFIS و RT قرار می-گیرند. با ارزیابی نتایج ترکیب‌های مختلف در مدل‌سازی مشخص شد، سه پارامتر تراکم پوشش گیاهی (D)، آرایش پوشش گیاهی (N) و عدد رینولدز (Re) به ترتیب تاثیر بیشتری در ارائه نتایج درست داشتند. https://ijswr.ut.ac.ir/article_98872_7798568ed9917ed0fde3de19eb4738ce.pdf