تخمین ضریب پراکندگی طولی آلاینده‌ها در رودخانه‌های طبیعی با استفاده از رویکرد هوشمند داده‌محور GMDH

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

2 فارغ التحصیل کارشناسی ارشد مهندسی منابع آب، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

تخمین دقیق ضریب پراکندگی طولی آلاینده­ها در اغلب مسائل هیدرولیکی و زیست­محیطی رودخانه مانند مهندسی رودخانه، طراحی آبگیر، مدل­سازی جریان در دلتاها و ارزیابی ریسک ناشی از تزریق آلاینده­ها به جریان رودخانه دارای اهمیت خاصی می­باشد. بررسی تحقیقات اخیر نشان می­دهد که استفاده از روش­های داده­محور باعث افزایش دقت و صحت تخمین ضریب پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی شده است. در این تحقیق توانایی و عملکرد روش هوشمند داده­محور برخورد گروهی با داده­ها(GMDH) در تخمین ضریب پراکندگی طولی مورد بررسی قرار گرفته است. مجموعه­ای از 71 داده مشاهداتی از رودخانه­های مختلف گردآوری شده که 51 داده برای آموزش و 20 داده باقی­مانده برای آزمون مدل استفاده شده است. متغیرهای هیدرولیکی و هندسی ورودی مدل شامل عمق متوسط جریان(H)، عرض آبراهه(W)، سرعت متوسط طولی جریان(U)، سینوسیتی آبراهه(σ) و سرعت برشی متوسط بستر(U*) و متغیر خروجی ضریب پراکندگی طولی(Kx) می­باشند. یک برنامه کامپیوتری در محیط برنامه­نویسی نرم­افزار MATLAB برای مدل­سازی ضریب پراکندگی طولی بر اساس رویکرد هوشمند داده­محور GMDH  تهیه شده است. بررسی عملکرد مدل توسعه داده شده با استفاده از معیارهای آماری R2، RMSE، CC و DR حاکی از عملکرد بسیار بالای مدل GMDH در تخمین ضریب پراکندگی طولی در رودخانه دارد. همچنین مقایسه نتایج روش GMDH با چند رابطه تجربی و چند روش داده­محور دیگر مانند شبکه­های عصبی(ANN)، ماشین بردار پشتیبان(SVM) و الگوریتم ژنتیک(GA) بیانگر شناسایی صحیح الگوی حاکم بر فرایند پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی توسط مدل توسعه داده شده می­باشد. مقادیر شاخص­های آماری RMSE، R2 و CC در مدل GMDH به ترتیب برابر با 5/21، 99/0 و 995/0 به دست آمده­ است که حاکی از عملکرد مناسب مدل ارایه شده در تخمین ضریب پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی می­باشد

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of Longitudinal Dispersion coefficient in Natural River Using GMDH Data Driven Approach

نویسندگان [English]

  • Koroush Qaderi 1
  • Maryam Hoseynzadeh 2
1 Assitant Professor. Department of Water Engineering, Shahid Bahonar University of Kerman., Kerman., Iran
2 M.Sc, Watre Resources Engineering, Shahid Bahonar University of Kerman., Kerman., Iran
چکیده [English]

Accurate estimate of longitudinal dispersion coefficient is important in many hydraulic and environmental problems in rivers such as river engineering, intake designs, modeling flow in estuaries and risk assessments of pollutants into river flows. To accurate investigation of water quality using one dimensional model, the precise estimation of longitudinal dispersion coefficient is required. Direct measurements of longitudinal dispersion coefficients, with the aid of concentration samples taken in upstream and downstream of rivers is rather seldom. Recent research works indicate that, using the data driven method can improve the precise estimation of longitudinal dispersion coefficient in natural rivers. In this research, the usefulness and performance of Group Method of Data Handling (GMDH) approach are examined for predicting longitudinal dispersion coefficient in natural channels. A set of 71 data sets from different river has been gathered so that 51 sets of whole data were used for training and 20remaing sets were used for test data sets. The hydraulic and geometric variables such as mean flow depth (H), width of channel (W), mean flow velocity (U), channel sinuosity (σ) and shear velocity (U*) are used as input variables to predict longitudinal dispersion coefficient (Kx). A computer program based on GMDH approach is written in MATLAB software for Kx modeling. Based on the values of various performance indices, R2, RMSE, CC and DR, it is concluded that GMDH model in both training and validation period predicts the longitudinal dispersion coefficient more accurately.  Comparison of GMDH model with empirical approach and another data driven method such as ANN, SVM and GA confirm that GMDH shows remarkably good performance in capturing governing pattern in longitudinal dispersion phenomena in natural rivers. Hence GMDH can be used as an efficient computational paradigm in the estimation of longitudinal dispersion coefficient in natural channel.

کلیدواژه‌ها [English]

  • Data driven
  • Dispersion coefficient method
  • Empirical relation
  • Environmental
  • GMDH
  • Modeling
ایوانی،ز. 1392. برآورد نرخ انتقال رسوب در رودخانه کرج با استفاده از روش­های داده­محور GMDH و NF-GMDH. دانشگاه شهید باهنر کرمان، پایان نامه کارشناسی ارشد.

پورآباده­ای،م.، تکلدانی،م و لیاقت،ع. 1386 بررسی تاثیر پارامترهای جریان بر ضریب پراکندگی آلودگی در کانال مستطیلی. ششمین کنفرانس هیدرولیک، شهرکرد، ایران.

پورنعمت رودسری،ع.، قادری،ک و کریمی،ش. 1393. شبیه­سازی فرایند بارش-رواناب با استفاده از روش کنترل گروهی داده­ها (GMDH) در حوضه آبریز پل­رود. پژوهشنامه مدیریت حوزه آبخیز. 5. 1. 10: 84-68.

توکلی زاده،ا.ع و کاشفی­پور،س.م. 1385. تاثیر ضریب پخشیدگی بر مدل­سازی کیفی آب­های سطحی. هفتمین سمینار بین­المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز، اهواز.

حسین­زاد،م. 1392. مدل­سازی رابطه دبی-اشل با استفاده از روش­های محاسبات نرم GMDH و NF-GMDH. دانشگاه شهید باهنر کرمان، کرمان، پایان نامه کارشناسی ارشد.

ریاحی مدوار،ح و ایوب­زاده،ع. 1387. تخمین ضریب پراکندگی طولی با استفاده از سیستم استنتاج فازی–عصبی انطباقی. مجله آب و فاضلاب.19.67 :46-34.

صدیق­نژاد،ح و کاشفی­پور،س.م. 1385. مقایسه نتایج مدل­های انتشار و انتقال رسوب برای آبگیر ماراد و ارائه مدل مناسب برای منطقه با استفاده از مدل ریاضی FASTER. هفتمین سمینار بین المللی مهندسی رودخانه، دانشگاه شهید چمران، اهواز.

قادری،ک.، عرب،د.، تشنه­لب،م و قزاق،آ. 1389. مدل­سازی بهره­برداری هوشمند از مخازن با استفاده از روش برخورد گروهی با داده­ها (GMDH). مجله علمی پژوهشی تحقیقات منابع آب ایران. 6.3 :67-55.

Adrash,S. 2010. Prediction of longitudinal dispersion coefficient in natural channels using soft computing techniques.Scientia Iranica, Transaction A: civil engineering. 17.5:363-371.

Azamathulla,H.M and Ghani,A.A. 2011. Genetic programming for predicting longitudinal dispersion coefficients in streams. Water Resources Management. 25:1537-1544.

Cheong,T.S and Seo,IW. 2003. Parameter estimation of transient storage model by a routig method for river mixing processes. water Resource Research. 39.4:1074-1084.

Cheong,T.S., Younis,B.A and Seo,I. 2007. Estimation of key parameters in model for solute transport in rivers and streams.Water Resour Manage. 1:1165–1186.

Hwang,H.S. 2006. Fuzzy GMDH-type Neural Network Model and its Application to Forecasting of Mobile Communication. Computers and Industrial Engineering. 50:450-457.

Ivakhnenko,A.G. 1968. The group method of data handling – a rival of the method of stochastic approximation. Soviet Automatic Control c/c of Avtomatika. 1.3:43-55.

Ivakhnenko,A.G and Ivakhnenko,G.A. 1995. The review of problems solvable by algorithms of the Group Method of Data Handling (GMDH), Pattern recognition and image analysis. 5.4: 527-535.

Kashefipour,M.S and Falconer,R.A. 2002. Longitudinal dispersion coefficients in natural channels. Water Resources Reseach. 36.6:1596–1608.

Muller,J.A and Ivakhnenko,A.G. 1996. Self-organizing modeling in analysis and prediction of stock market.  in Proceedings of the Second International Conference on Application of Fuzzy Systems and Soft Computing–ICAFS. 491-500.

Nariman Zadeh,N., Darvizhe,A and Gharabaghi,H. 2002. Modeling of Explosive Cutting Process of Plates Using GMDH Neural Networks and Singular Value  Decomposition. Journal Mater process technol. 128.1:80-87.

Nikolaev,Y and Hitoshi,I. 2003. Polynomial  Harmonic GMDH Learning Networks for Time Series Modeling. Neural Networks. 16:1527-1540.

Rowinski,P.M and Piotrowski,A. 2008. Estimation of parameters of the transient storage model by means of multi-layer perceptron neural networks. Hydrological Sciences–Journal–des Sciences Hydrologiques. 53.1: 165-178.

Sahay,R.R. 2011. Prediction of longitudinal dispersion coefficients in natural rivers using artificial neural network. Environ Fluid Mechanics. 11:247–261.

Sahay,R.R. 2012. Predicting Transient Storage Model Parameters of Rivers by Genetic Algorithm. Water Resources Management. 26:3667–3685.

Sanchez,E., Shibata,T and Zadeh,L.A. 1997. Genetic algorithms and fuzzy logic systems. Reveredge: word scientific.

Seo,I.W., Baek,K.O. 2004. Estimation of longitudinal dispersion coefficient in natural streams by artificial neural network. Journal of Hydraulic Engineering. 130.3:227–236.

Seo,I.W., Cheong,T.S. 1998. Predicting longitudinal dispersion coefficient in natural streams. Journal of Hydraulic Engineering. 124.1:25-32.

Sumsudin,R., Saad,P and Shabri,A. 2010. A hybrid least square support vector machines and GMDH approach for river flow forecasting. Hydrology and earth system Science Discussions, 7:3691-3731.

Tayfur,G and Singh,V.P. 2005. Predicting longitudinal dispersion coefficient in natural streams by artificial neural network. Journal of Hydraulic Engineering. 131.11:991–1000.

Toprak,Z.F and Cigizoglu,H.K. 2008. Predicting longitudinal dispersion coefficient in natural streams by artificial intelligence methods. Hydrologic Process. 22:4106–4129.