تهیه مدل بهینه‌‌سازی آبیاری شیاری با استفاده از الگوریتم جفت‌گیری زنبور عسل (HBMO)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد آبیاری و زهکشی دانشگاه بیرجند، بیرجند، ایران

2 استادیار گروه مهندسی آب دانشگاه بیرجند، بیرجند، ایران

3 دانشیار گروه مهندسی آب دانشگاه بیرجند، بیرجند، ایران

چکیده

در بسیاری از کشورهای جهان، آبیاری سطحی یکی از مهم­ترین روش­­های آبیاری محسوب می­شود. بنابراین توجه به طراحی و افزایش راندمان این روش­ها ضروری به نظر می­رسد. از این رو بهترین روش طراحی، طراحی بهینه است که در آن راندمان های­ مورد نظر در ترکیب خطی خود در یک تابع هدف بهینه شوند. هدف از این مطالعه، استفاده از مدل SIRMOD، شبکه عصبی مصنوعی و الگوریتم بهینه­یابی جفت گیری زنبور عسل جهت شبیه­سازی و بهینه­سازی پارامترهای طراحی آبیاری شیاری نظیر طول شیار، دبی ورودی و زمان قطع جریان می­باشد. نتایج حاصل از شبکه عصبی نشان داد که شبکه عصبی مصنوعی با ضریب تبیین بالا (96/0، 97/0، 99/0 و 97/0) برای تمام خروجی­ها از توانایی خوبی در شبیه­سازی هیدرولیک آبیاری سطحی برخوردار بود که این امر تا حد زیادی به تنوع بانک داده و آموزش مناسب شبکه وابسته است. هم­چنین، برقراری لینک بین شبکه عصبی و الگوریتم جفت­گیری زنبور عسل به منظور بهینه­سازی پارامترهای طراحی نیز نتایج قابل قبولی در پی داشت. میانگین مقادیر حاصل از بهینه سازی پارامترهای طراحی عبارتند از 202 متر برای طول شیار، 13/2 لیتر در ثانیه برای دبی ورودی و 6/28 دقیقه برای زمان قطع جریان بود. به­طور کلی شبکه عصبی و الگوریتم جفت­گیری زنبور عسل توانایی خوبی در شبیه­سازی و بهینه­سازی پارامترهای آبیاری شیاری داشته و می­توان نتایج حاصل را به­عنوان مقادیر بهینه در طراحی پذیرفت.

کلیدواژه‌ها


عنوان مقاله [English]

Developing a Furrow Irrigation’s Optimization Model Using Honey Bee Mating Algorithm

نویسندگان [English]

  • Narjes Reyhani 1
  • Abbas Khashei Siuki 2
  • Ali Shahidi 3
1 M.Sc student Irrigation and Drainage, College of Agriculture, University of Birjand., Birjand., Iran
2 Assistant Professor, Water Engineering Department, College of Agriculture, University of Birjand., Birjand., Iran
3 Associate Professor, Water Engineering Department, College of Agriculture, University of Birjand., Birjand., Iran
چکیده [English]

In many countries across the world, surface irrigation is one of the most important and most common ways to irrigate the fields. So paying attention to improving surface irrigation methods and increasing their efficiency looks necessary. Thus the best design approach is optimized design in which the considered efficiencies in their linear combination are optimized in one goal function. So the purpose of this study is using Sirmod Model, artificial neural network and honey bee mating optimization algorithm for simulation and optimization the surface irrigation parameters like furrow length, inlet discharge and cutoff  time. The obtained results showed that the artificial neural network with high R- square for all the outputs  has a good ability in simulating surface irrigation’s systems which is so much depended on the variety of the data bank and proper training of the network. Also linking neural network and honey bee mating algorithm in order to develop a simulation- optimization model provided acceptable results which can be used as optimal values in designing. The average values of optimizing design parameters are 202 meter for furrow length, 2.13 liter per seconds for inlet discharge and 28.6 minutes for cutoff time.

کلیدواژه‌ها [English]

  • Efficiency
  • Heuristic Algorithm
  • Neural Network
  • Simiulation
  • Surface irrigation
 برهانی داریان،ع و فرهمند­فر،ز. 1390. کالیبراسیون مدل­های بارش- رواناب به کمک الگوریتم­های فراکاووشی. فصلنامه علمی پژوهشی مهندسی آب و آبیاری. 4:1. 71- 60.
حبیبی خاوه،ح و شکوریان فرد،ک. 1388. توجه به آبیاری سطحی راه حل بحران کمبود آب. چهارمین همایش منطقه ای ایده های نو درکشاورزی. 30-29 مهر ماه 1388، اصفهان.
خاشعی سیوکی،ع.، قهرمان،ب وکوچک زاده،م. 1392. مقایسه مدل­های شبکه عصبی مصنوعی، ANFIS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور. نشریه آبیاری و زهکشی ایران. 7:1. 2- 10.
زارع زاده مهریزی،م و بزرگ حداد،ا. 1387. بهینه­سازی طراحی سرریزهای متوالی با استفاده از الگوریتم بهینه­یابی جفت­گیری زنبور عسل. مجموعه مقالات هفتمین کنفرانس هیدرولیک ایران. دانشگاه صنعت آب و برق (شهید عباسپور).
ستاری،م.، نهرین،ف و عظیمی،و. 1392. پیش­بینی تبخیر- تعرق مرجع روزانه با استفاده از مدل شبکه عصبی مصنوعی و مدل درختی M5 (مطالعه موردی: ایستگاه بناب). نشریه آبیاری و زهکشی ایران. 7:1. 113- 104.
سهراب،ف و عباسی،ف. 1384. ارزیابی بازده آب آبیاری طی چند دهه گذشته در سطح کشور.کارگاه فنی آبیاری  سطحی مکانیزه کمیته ملی آبیاری و زهکشی. 13 آذر ماه 1384، تهران.
میرزایی،ع.ا و دلیر حسن­نیا،ر. 1392. مقایسه روش­های شبکه­های عصبی مصنوعی، فازی- عصبی تطبیقی و منحنی سنجه شوری در برآورد شوری آب زیرزمینی (مطالعه موردی: اراضی پایاب سد حاجیلر). نشریه آبیاری و زهکشی ایران. 7:1. 58- 49.
ناصری،ا. 1387. کاربرد شبکه عصبی مصنوعی با الگوریتم تحلیل مولفه­های اصلی در تحلیل داده­های نفوذ از جویچه­های آبیاری. مجموعه مقالات دومین سمینار راهکارهای بهبود و اصلاح سامانه های آبیاری سطحی کمیته ملی آبیاری و زهکشی، تهران.
یزدی،ز.، محسنی موحد،ا و حیدری،م. 1387. تهیه مدلی جهت ارزیابی، طراحی، شبیه­سازی و بهینه­سازی عملکرد آبیاری شیاری. مجموعه مقالات دومین سمینار راهکارهای بهبود و اصلاح سامانه های آبیاری سطحی کمیته ملی آبیاری و زهکشی، تهران.
Abbass,H.A. 2001. Marriage in Honey Bees Optimization: A Haplometrosis Polygynous Swarming Approach. Proceeding of the Congress on Evolutionary Computation. CEC2001. Seoul. Korea. 207-214.
Bozorg Hadad,O.,  Afshar,A and Marino,M.A.  2006. Honey bee mating  optimization (HBMO) algorithm: A new heuristic approach for water resources optimization. Journal of Water Resources Management.  20.1: 661-680.
Bozorg Hadad,O and Marino,M.A.  2006. Dynamic penalty function as a strategy insolving water resources combinatorial optimization problems with honey-bee mating optimization (HBMO) algorithm. Journal of Hydroinformatics. 9.3: 233–250.
Valipour, M. 2013. Increasing Irrigation Efficiency By Management Strategies : Cutback and Surge Irrigation. ARPN Journal of Agricultural and Biological Science. 1.8: 35-43.
Valipour, M and Montazar, A.A.  2012. Optimize of all effective infiltration parameters in furrow irrigation using Visual Basic and Genetic Algorithm Programming. Australian Journal of Basic and Applied Sciences. 6.6.: 132-137.