برآورد دبی رسوب معلق رودخانه با استفاده از الگوریتم‌های فراابتکاری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران

2 دانشجوی دکتری سازه‌های آبی، گروه مهندسی آب دانشگاه تبریز، تبریز، ایران

3 کارشناسی ارشد آبیاری زهکشی، گروه مهندسی آب دانشگاه کردستان، کردستان، ایران

چکیده

در بسیاری از نقاط ایران اطلاع دقیقی از میزان فرسایش، انتقال رسوب و نیز رسوبگذاری رودخانه‌ها وجود نداشته و در بسیاری از موارد، بین اندازه گیری‌های انجام شده، اختلافات بسیاری مشاهده می‌شود. با توجه به این‌که رژیم جریان و به تبع آن رژیم رسوب در حوضه‌های آبریز ثابت نیست، پیش‌بینی دبی رسوب کمک شایانی در برآورد رسوب تجمع‌یافته پشت سازه‌های آبی به‌خصوص سدها و تعیین حجم مرده مخازن در ماههای آتی نموده و با اتخاذ تمهیدات به موقع، مدیریت تخلیه به‌هنگام رسوب را تا حدی تسهیل می‌کند. در این پژوهش، از سه الگوریتم فراابتکاری بهینه‌سازی شامل الگوریتم ژنتیک (GA)، الگوریتم گرگ خاکستری (GWO) و الگوریتم انتخابات (EA) جهت پیش‌بینی بار رسوبی معلق رودخانه‌ها استفاده شده است. برای ارزیابی عملکرد روش پیشنهادی، از سه آماره شامل ضریب تبیین (R2)، جذر میانگین مربعات خطا (RMSE) و معیار نش- ساتکلیف (NSE) استفاده شده است. بار معلق رسوبی ایستگاه رسوبی واقع در رودخانه زرینه‌رود طی سال‌های 94- 1384 به‌عنوان مطالعه موردی در نظر گرفته شده است. نتایج به‌دست آمده نشان می‌دهد الگوریتم GWO با کسب مقادیر ، RMSE=0.022 و NSE=0.74 در مقایسه با سایر الگوریتم‌های به‌کار گرفته شده، از کارایی بالاتری برخوردار است.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction Suspended Sediment Load of River Using Meta-heuristic Algorithms

نویسندگان [English]

  • Hojjat Emami 1
  • Somayeh Emami 2
  • Shadi Heydari 3
1 Assistant Professor, Department of Computer Engineering, Faculty of Engineering, Bonab University, Bonab, Iran
2 Ph.D. Candidate of Hydrualic Structures, University of Tabriz, Tabriz, Iran
3 Master of Irrigation and Drainage, Water Engineering Department, University of Kurdistan, Kurdistan, Iran
چکیده [English]

In many areas of Iran, there is no detailed information on the amount of erosion, sediment transport and sedimentation of rivers, and in many cases, there are many difference between measurements. Due to the fact that the flow regime and consequently the sediment regime in the watersheds are not constant, the prediction of sediment rate helps to estimate the sediment accumulated behind the structures, specially the dams, and determine the dead volume of reservoirs in the future months, and by adopting timely arrangements facilitate the deposition management to a certain extent. In this research, three optimization algorithms including Genetic Algorithm (GA), Gray Wolf Optimizer (GWO) and Election Algorithm (EA) were used to predict the suspended sediment load of the rivers. In order to evaluate the performance of the algorithms, three statistics consists of R2, RMSE and NSE were used. The suspended sediment load of sedimentary station located in the Zarrineh-Rood river during the 2005-2015 are used as a case study. The results show GWO algorithm with values R2=0.96, RMSE=0.022 and NSE=0.74 has a very high accuracy compared to other algorithms used.

کلیدواژه‌ها [English]

  • Suspended sediment load
  • meta-heuristic algorithms
  • Genetic Algorithm
  • Gray Wolf Optimizer
  • Election Algorithm
امامی، س و چوپان، ی. 1398. کاربرد الگوریتم رقابت استعماری در تخمین مقادیر بار معلق رسوبی. مجله­ی هیدروژئولوژی. 1.4: 79-70.

خورشید دوست، ع. م.، فیض­الله­پور، م و صدرافشاری، س. 1394. ارزیابی قابلیت مدل سیستم استنتاجی فازی عصبی (ANFIS) در تخمین مقادیر بار معلق رسوبی و مقایسه آن با دو نوع از مدل­های شبکه­ی عصبی مصنوعی. مجله­ی جغرافیا و توسعه، 41: 185-200.

دهقانی، ا. ا.، زنگانه، م. ا.، مساعدی، ا و کوهستانی، ن. 1388. مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و شبکه عصبی مصنوعی. مجله علوم کشاورزی و منابع طبیعی. 16: 36-51.

دهقانی، ا. ا.، محمدی، م.، م و هزارجریبی، ا. 1389. تخمین رسوب معلق رودخانه بهشت­آباد با استفاده از شبکه عصبی مصنوعی. مجله پژوهش­های حفاظت آب و خاک. 17: 168-159.  

رستگار، ح و حبیبی، م. 1390. ارزیابی پنج روش برآورد رسوب در رودخانه جگین در استان هرمزگان. مهندسی و مدیریت آبخیز. 3(3).

فغفوری، ز.، آرمان، ن.، فرجی، م و خرسندی، ز. 1396. تعیین عوامل مؤثر بر رسوب­دهی با استفاده از روش­های آماری (مطالعه موردی: حوضه سیدآباد). مجله مهندسی و مدیریت آبخیز. 9(2): 190-204.

قربانی، م. ع و دهقانی، ر. 1396. مقایسه روش­های شبکه عصبی بیزین و شبکه عصبی مصنوعی در تخمین رسوبات معلق رودخانه­ها )مطالعه موردی: سیمینه­رود(. مجله علوم و تکنولوژی محیط زیست. 19(2).

میرباقری، س. ا و رجائی، ط. 1383. تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی. اولین کنگره ملی مهندسی عمران، دانشگاه صنعتی شریف.

محمدرضاپور، ا. ا.، حقیقت­جو، پ. و زینلی، م. ج. 1394. مقایسه الگوریتم ازدحام ذرات و ژنتیک در بهینه سازی ضرایب معادله منحنی سنجه رسوب در برآورد دبی رسوب معلق رودخانه سیستان؛ مطالعه موردی ایستگاه کهک. نشریه آبیاری و آب ایران. 2.6: 89-76.

ستاری، م. ت.، رضازاده جودی، ع.، صفدری، ف. و قهرمانیان، ف. 1395. ارزیابی عملکرد روش‌های مدل درختی M5 و رگرسیون بردار پشتیبان در مدل‌سازی رسوب معلق رودخانه. نشریه حفاظت منابع آب و خاک، 1.6: 124-109.

Nagy, H. M., Watanabe, K. and Hirano, M. 2002. Prediction of Sediment Load Concentration in Rivers using Artificial Neural Network Model, Journal of Hydraulic Engineering. 128.6: DOI: 10.1061/(ASCE)0733-9429(2002)128:6(588).

Ebrahimi, H., Jabbari, E. and Ghasemi, M. 2013. Application of Honey-Bees Mating Optimization algorithm on Estimation of Suspended Sediment Concentration. World Applied Sciences Journal. 22.11: 1630-1638.

Mirjalili, S. Mirjalili, S. M. and Lewis, A. 2014. Grey wolf optimizer. Advances in Engineering Software, 69.92: 46-61.

Mech, L. D. 1999. Alpha Status, Dominance, and Division of Labor in Wolf Packs. Canadian Journal of Zoology. 77.8: 1196-1203.

Muro, C., Escobedo, R., Spector, L. and Coppinger, R. 2011. Wolf-pack (Canis Lupus) Hunting Strategies Emerge from Simple Rules in Computational Simulations, Behavioural Processes, 88.3: 192-197.

Emami, H. and Derakhshan, F. 2015. Election algorithm: A new socio-politically inspired strategy. AI Communications. 28: 591–603. 

Goldberg, D. E. 1989. Genetic algorithms in search, optimization and machine learning. Addison – Nesley, pub. Co.

Kisi, O. 2005. Suspended sediment estimation using neuro-fuzzy and neural network approaches. Hydrological sciences journal. 50.4: 683-696.

Kisi, O. 2009. Evolutionary fuzzy models for river suspended sediment concentration estimation. Journal of Hydrology. 372.1-4: 68-79.

Kisi, O. 2008.Constructing neural network sediment estimation models using a data-driven algorithm. Math. Comput. Simult. 79.1: 94-103.

Kisi, O. 2016. A new approach for modeling suspended sediment: Evolutionary fuzzy approach.  Hydrology and Earth System Sciences Discussions. Doi: 10.5194/hess-2016.