Hidrológiai Közlöny, 2019 (99. évfolyam)
2019 / 4. szám
28 Hidrológiai Közlöny 2019. 99. évf. 4. sz. eltérés és r = Ck,szám/ Ck,mén relatív értékek statisztikai mutatói voltak. A legjobb illeszkedést a 6 paraméteres változat mutatta. Mivel a tanításra és a validálásra felhasznált méréseket a modell véletlen generálással választja ki (95% tanulásra, 5% validálásra és 0% tesztre), minden újbóli számítással kissé eltérő eredményt kaptunk. Példaként az 1. táblázatban bemutatjuk a Ca (Ha, I/, Q, H, A, B) változatra egymásután háromszor végzett számításainak e és r értékeit. 1. táblázat. Számított paraméterek, Ck(H„, v, Q, H, A, B) kapcsolatra alkalmazva a neurális hálót Table 1. Calculated parameters using Ck (Ha, v, Q, H, A, B) for neural network ck, g/m3 l.e g/m’ 2.e g/m3 3.e g/m3 1. r 2. r 3. r maximum 217 29,2 40,6 52,7 3,33 3,29 3,11 minimum 6,60-43,6-95,3 48,4 0,40-2,29 0,36 átlag 34,7 0,002 1,35-0,443 1,11 0,98 1,10 szórás 30,7 9,64 20,2 12,8 0,42 0,84 0,41 átlagos eltérés 18.1 7,03 15,8 8,87 0,29 0,64 0,30 A 2. táblázat tanulsága alapján a G, (Ha, V, Q. H, A, B) változatra egymásután háromszor végzett számításra az előzőekhez hasonló szóródó (’pontatlan’) eredményeket kaptunk: e Gt.szám-Gt.mén eS r G! szám / Gémért-2. táblázat. Számított paraméterek, Gt (Ha, v, Q, H, A, B) kapcsolatra alkalmazva a neurális hálót Table 2. Calculated parameters using Gt (H„, v, Q, H, A, B) for neural network Gt kg/s l.e kg/s 2.e kg/s 3.e kg/s 1. r 2. r 3. r maximum 1 340 167 80,0 81,7 3,78 3,61 4,91 minimum 8,32-230-80,6-143 0,42-0,51-1,88 átlag 110 1,97 0,451 2,94 1,24 1,13 1,22 szórás 195 41,0 22,5 35,5 0,51 0,47 0,77 átlagos eltérés 94,7 24,5 15,8 25,9 0,37 0,31 0,48 A táblázatok tanulsága szerint a nagyon eltérő r eloszlások mellett meglepő, hogy negatív r értékeket is kaptunk, ami azt jelenti, hogy a számított Ck, vagy G, negatív, ami a természetben lehetetlen (ez nem azt jelenti, hogy hordalékszállítás helyett hordalék-lerakás történik!), ez a ’statisztikai jellegű’ számítási módszer eredményeinek szóródása, hibája. A teljes tartományt résztartományokra osztva és e résztartományokra külön-külön ’tanítva’ a modellt, ez a probléma kiküszöbölhető. Tartomány-függő neurális hálót (Range-dependent neural network, RDNN) alkalmazó módszert mutat be Cigizoglu és Kisi (2006) tanulmánya,. Mi most ezt nem tettük meg, azért mert, mint az később látni fogjuk - negatív értéket elméletileg sem adó - más módszerek, az ismételt számítástól függetlenül mindig legalább olyan jó, sokszorjobb illeszkedést mutató paramétereket adnak. Tehát ez eredmények alapján - a később ismertetett más módszerek eredményivel való összehasonlítástól függetlenül - ki lehet jelenteni, hogy ritka, expedíciós, múltbeli méréseken tanuló mesterséges neurális hálót alkalmazó (függvény közelítő, leképző) modell a tényleges, pillanatnyi lebegtetett hordalékszállítás numerikus előrejelzésére nem ajánlható. Részletesen megvizsgálva a CA,SZám és a G,,szám negatív értékei mindig olyan észleléseknél fordult elő, ahol a Címért és a G,,mén is kicsi volt. Persze ez a tény nem változtat azon, hogy ezek a számítások hibásak és ha előrejelzést készítenénk, értékelhetetlen eredményt kapnánk. VAN RUN ÁLTAL AJÁNLOTT MÓDSZER ALKALMAZÁSA A dunaújvárosi 179 db helyszíni mérésből rendelkezésünkre állt a van Rijn (1984b) egységnyi szélességre vonatkoztatott lebegtetett hordalékhozam (qs, m3/sm, qs=G,/(B 1000 ps) számításához szükséges geometriai és hidraulikai jellemzők többsége. A hiányzó (nem mért) jellemzőket a következő értékekkel vettük figyelembe: kinematikai viszkozitási együttható, «=1,1 10'6m2/s; a folyadék sűrűsége, /?,»,= 1000 kg/m3; a hordalékszem sűrűsége, ps—2650 kg/m3; Kármán-féle konstans, k= 0,4; ks~ md, a Niquradse-féle egyenértékű érdesség-magasság. Hordalékmozgás szempontjából van Rijn vizsgált különböző szerzők által ajánlott érdesség-magasságokat, mozgó, alluviális, sík mederfenék esetén, (a fenékalakzatok ellenállását figyelmen kívül hagyva) £, = (1-10) dw (m) közötti értékeket talált (van Rijn 1982, 1984c). Mi a szemcse-függő (related to grains) érdesség-magassághoz ks~6dg(m) értékeket vettünk fel, a totál (overall) Chézy-együtthatót ks ~ 0,1 m értékkel számítottuk. A 179 db mért (és részben származtatott) adatsorra (Q, v, H, B, dg, qs) elvégezve a számítást, azt a meglepő eredményt kaptuk, hogy a van Rijn módszerével számított fajlagos hordalékhozam mindig lényegesen több, mint a mért érték. A számított és mért hozamértékek aránya (r = qs,számi<?,,mén) r*/=8,5. Átlagosan is közel egy nagyságrenddel nagyobb a számított érték. De maximálisan 23,6-szor nagyobb és a legkisebb érték is kétszer akkora, mint a mért (rw„=2,1; rmax=23,6). A geometriai, hidraulikai paraméterek által meghatározott lebegtetett hordalékhozam (qs, m3/sm) elméletileg az egyensúlyi hozamot, a hordalékszállító-képességet adja, ennél többet nem tud lebegésben tartani, vagy hosszabb ideig szállítani a Duna. Tehát az nem meglepő, hogy a geometriai, hidraulikai paraméterekből számított qs általában nagyobb, mint az aktuálisan éppen szállított mennyiség, de ekkora eltérés meglepő. (Leülepedési fázisban lehet rövid ideig ’túltelített’ állapot.) A fentiek alapján egyértelmű, a van Rijn (1984b) eredeti módszere nem alkalmazható a dunaújvárosi a pillanatnyi lebegtetett hordalékszállítás becsléséhez. (Az extrém nagy eltérések miatt e módszer eredményeit a később bemutatásra kerülő módszerek eredményeivel nem hasonlítjuk össze.) van Rijn a módszerét finom- és közepes méretű homok 0,1-0,5 mm-es tartományára ajánlotta, Dunaújvárosnál a mért hordalék átlagos szemátmérő tartománya dg= 0,031- 0,118 mm volt; dg,áu=0,053 mm, az alsó határ fele. Ez alapján nem meglepő, hogy van eltérés, bár ekkora eltérésre nem számítottunk. Ha elfogadjuk a módszer származtatásának logikáját - ami, hidraulikai megfontolásokon, laboratóriumi és természetbeni méréseken alapult (van Rijn 1984b) - úgy gondoljuk, kiterjeszthetjük az érvényességi határt a szemátmérő nagyságára legérzékenyebb változó, a dimenziómentes kritikus fenék-csúsztatófeszültség (űcr, kritikus Shields-paraméter) változtatásával. Már van Rijn is felhívta a figyelmet a turbulencia által erősen befolyásolt kis szemek tartományában a közelítése bizonytalanságára
