افزایش دقت پیش بینی بارکل رسوبی با استفاده از الگوریتم‌های تکاملی (مطالعه موردی: رودخانه قطورچای)

آب و خاک

مقاله 1، دوره 29، شماره 6، زمستان 1394، صفحه 1416-1426  

نوع مقاله: مقالات پژوهشی

شناسه دیجیتال (DOI): 10.22067/jsw.v29i6.26891

نویسندگان

کیومرث روشنگر ؛ محمد تقی اعلمی؛ فاطمه وجودی مهربانی

دانشگاه تبریز

چکیده

تخمین درست میزان رسوبات حمل شده توسط رودخانه‌ها در پروژه های منابع آبی از اهمیت بالایی برخوردار است. بطور کلی پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل تاثیرات پارامترهای مختلف، به آسانی میسر نیست. با وجود انجام تحقیقات بسیا‌ری در زمینه کاربرد مدل‌های هوشمند نظیر شبکه های عصبی و برتری این مدل‌ها نسبت به روابط ریاضی و تجربی موجود نظیر منحنی سنجه رسوب، بدلیل غیر صریح بودن و پیچیدگی حاکم بر انتخاب و معماری شبکه مناسب، کاربرد این مدل‌ها توسعه کمتری نسبت به روش‌های صریحی نظیر برنامه ریزی ژنتیک داشته است. در این پژوهش، بمنظور توانمند سازی پیش بینی صریح بار رسوبی رودخانه قطورچای از یک سو الگوریتم‌های تکاملی نظیر برنامه ریزی ژنتیک (GP) و الگوریتم ژنتیک (GA) به کار گرفته شده و از سوی دیگر از مدل‌های نیمه تجربی تعیین بار کل رسوب و منحنی سنجه استفاده گردیده است. مقایسه و تجزیه تحلیل نتایج حاصل از روش‌های کلاسیک، منحنی سنجه بهینه و روش برنامه ریزی ژنتیک، کارائی بسیار بالای الگوریتم‌های تکاملی را (907/0=DC و 067/0=RMSE) بعنوان ابزاری قدرتمند در بهینه سازی و پیش بینی صریح بار رسوبی کل رودخانه نشان می دهد.

کلیدواژه‌ها

بار رسوبی؛ برنامه‌ریزی ژنتیک؛ بهینه‌سازی پیش ‌بینی؛ منحنی سنجه

مراجع

1- ASCE Task Committee on Application of Artificial Neural Networks in Hydrology. 2000a. " Artificial Neural

Networks in hydrology. I: Preliminary concepts." J. Hydrologic Eng. ASCE, 5(2), 115-123.

2- Dawson C .W. and Wilby. R. 1998." A comparison of artificial neural network used for river flow forecasting. ", J.

of Hydrology and Earth System Sciences, 3(4), 529-540.

3- Ferreira C. 2006. Automatically Defined Functions in Gene Expression Programming. In N. Nedjah, L. de M.

Mourelle, A. Abraham, eds., Genetic Systems Programming: Theory and Experiences, Studies in Computational

Intelligence, Vol. 13, pp. 21–56, Springer-Verlag.

4- Ferreira C. 2001. Gene expression programming: A new adaptive algorithm for solving problems, Complex Systems13(2):87-129.

5- Kalra R., and Deo M.C. 2007. Genetic programming to retrieve missing information in wave records along the west

coast of India., Applied Ocean Research 29(3)., 99-111

6- Kisi O. 1999. River flow modeling using artificial network., J. of Hydrology, Vol.214, 32-48.

7- Liong S.Y., Gautam T.R., Khu S.T., Babovic V., Keijzer M., and Muttil N. (2002). Genetic programming, A new

paradigm in rainfall runoff modeling., J. Am. Water Res. Assoc. 38(3), 705-718.

8- Lopes H. S.; and Weinert W. R. 2004. "EGIPSYS: An enhanced gene expression programming approach for symbolic regression problems, International Journal of Applied Mathematics and Computer Science, 14(3):375-384.

9- Sarangi A., and Bhattacharya A.K. 2005. Comparison of artificial neural network and regression models for

sediment loss prediction from Banha watershed in India, Water technology Center, IARI, Pusa Campus, New

Dehli110012, India.

10- Whigham P.A., and Crapper P.F. 2001. Modeling rainfall runoff using Genetic programming. Mathematical and

Computer Modeling, 33, 707-721.

11- Yang C.T. 1996. Sediment transport theory and practice. McGraw-Hill, USA.

12- Zaker Moshfeg M., Ghodsian M., and Montazer Gh. A. 2004. River flow forecasting using artificial neural

networks., Proceeding of the hydraulics of dams and river structures. Yazdandoost and Attari (eds). London.