Перенос наносов является существенной частью русловых процессов. В связи с изменением баланса наносов в речном потоке русло может реагировать на морфологические изменения иногда в очень больших масштабах. Важно понимать принципы переноса наносов во многих областях, так или иначе связанных с речными системами.
Точная оценка наносов в реке имеет большое значение для водных ресурсов и гидроэнергетики, сантехники, рыболовства, рекреации и научных интересов.
В связи с успешным внедрением в моделирование сложного нелинейного поведения системы в широком диапазоне областей, искусственные нейронные сети были использованы для исследования переноса речных наносов.
Была предложена модель для прогнозирования общего переноса наносов на основе ANNs. Эта модель превзошла традиционные модели как по оценке лотковых, так и полевых данных.
Использовав простую нейронную сеть, которая обеспечила соответствующие результаты в переносе донных наносов, используя только 4 входных параметра: количество зерен Froude и Reynolds, характеристики распределения размеров частиц переносимых наносов и относительную неровность.
Еще меньше входных параметров было использовано в нейронных сетях для успешного прогнозирования переноса наносов в руслах различных типов, включая песчаное и гравийное русло рек.
В качестве входных переменных в сети для точного прогнозирования были достаточны только безразмерный диаметр частиц и скорость транспортной ступени.
Использовав общую регрессионную нейронную сеть для построения модели переноса наносов, применимой как для естественных, так и для искусственных каналов.
Для разработки моделей, испытаний и валидации использовали почти половину тысячи данных, полученных из различных рек Малайзии и США, а также данные, полученные из оросительного канала Пакистана.
Результаты показали, что предложенная модель более точно прогнозирует перенос наносов для местных и иностранных рек, чем имеющиеся в настоящее время методы.
Прогнозирование донных наносов также было успешно выполнено с помощью ANFIS . Была рекомендована модель ANFIS для расчета скорости переноса наносов в руслах средних рек, что обеспечило более близкое соответствие с измеренными значениями по сравнению с существующими уравнениями.
Перенос речных наносов представляет собой очень сложный процесс, обусловленный рядом факторов. Несмотря на такую сложность, искусственные нейронные сети, имитирующие в определенных аспектах функционирование мозга человека, способны понять очень сложные явления.
Именно поэтому он завоевал популярность среди исследователей для разработки моделей нейросетей при оценке и прогнозировании переноса наносов. Приведенные выше примеры показали превосходство моделей АNN над традиционными методами.
В заключении
Любое взаимодействие с речной системой требует детального рассмотрения эволюции русла. Сложность физических процессов происходит не только в руслево-пойменном комплексе, но и в водосборе, что обуславливает сложные процессы в эволюции русла реки.
Многие традиционные методы и подходы не в состоянии удовлетворительно проанализировать основные принципы процессов эрозии и седиментации.
Это мотивировало исследования на разработку альтернативных методов. Сложные нелинейные связи и физическая сущность таких процессов побуждали разработчиков искать решения непосредственно в сложно созданной природе.
За основу было взято функционирование человеческого мозга, что привело к разработке моделей интеллекта, основанных на искусственных нейронных сетях. Такие модели можно быстро обучить на примерах без необходимости упрощения или предположения в данной проблеме. Они обладают большими обобщающими и абстрактными способностями.
Это позволяет получать ценный результат даже при наличии в сети нескольких искаженных входных переменных. Расчеты компонентов являются независимыми, что делает АNNs параллельными вычислительными моделями.
Такие сети способны преодолеть стохастический характер эволюции русла реки. С недавнего времени предлагаются новые подходы, основанные на моделях разведки.
Основное внимание было сосредоточено на модели искусственных нейронных сетей и их применении в исследованиях русла рек. Такие модели доказали свою точность и надежность при анализе речной эрозии и переноса наносов.
Они могут служить надежным инструментом для исследования эволюции каналов. Помимо традиционных моделей нейросетей были рассмотрены гибридные модели, такие как адаптивная нейро-нечеткая система вывода (ANFIS), АNN, разработанная с использованием генетического программирования (АNN-GP), определяет искусственные нейронные сети (WANN) и искусственная нейронная сеть с использованием алгоритма колонии искусственных пчел (АNN-ABC). Во многих случаях такие сочетания методик повышали точность оценок и прогнозов моделей.
Установлено, что разведывательные модели более надежны и точны по сравнению с традиционными моделями, способны понимать сложную субстанцию русловых процессов.