ارزیابی عملکرد روش های شبیه سازی-بهینه سازی ANN-WOA و ANN-BWO در پیش بینی رواناب روزانه (مطالعه موردی: ایستگاه جلوگیر در حوضه آبریز کرخه)

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 120

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JISE-47-3_002

تاریخ نمایه سازی: 14 آبان 1403

چکیده مقاله:

مدل سازی بارش-رواناب روزانه به دلیل تعدد عوامل موثر آن، یکی از پیچیدگی های علم هیدرولوژی است. ترکیب های مختلفی از عوامل بارش-رواناب، طی دوره آماری ۱۰ ساله (۱۳۹۰-۱۴۰۰) به‍عنوان ورودی برای تخمین رواناب در مقیاس زمانی روزانه مورد ارزیابی قرار گرفت. از ۸۰ درصد داده ها  به عنوان آموزش (۲۹۲۰ نمونه) و ۲۰ درصد داده ها به عنوان آزمون (۷۳۰ نمونه) استفاده گردید. عوامل ورودی شامل بارش (P) و دبی (Q) که برای بارش تا شش تاخیر  و برای دبی تا چهار تاخیر  استفاده گردید. از ضریب همبستگی پیرسون برای ارتباط بین متغیرهای ورودی و خروجی استفاده گردید. بر این اساس ترکیب مدل شماره  یک شامل صرفا بارش و دبی، دارای بیشترین همبستگی (۸۰۵/۰) و ترکیب سیزدهم (بارش و بارش از یک تا شش روز تاخیر  و دبی از یک تا چهار روز تاخیر ) دارای کمترین همبستگی (۱۰۹/۰) بوده است. به ‍منظور مدل‍سازی از مدل های شبکه عصبی مصنوعی- الگوریتم بهینه ‍سازی نهنگ (ANN-WOA)، شبکه عصبی مصنوعی-الگوریتم بهینه ‍سازی عنکبوت سیاه (ANN-BWO) و مدل شبکه عصبی-موجک کلاه مکزیکی (WANN) استفاده گردید. همچنین برای ارزیابی مدل از شاخص های ریشه میانگین مربعات خطا (RMSE)، میانگین قدرمطلق خطا (MAE)، ضریب بهره وری نش- ساتکلیف (NSE) و ضریب نا اریبی (PBIAS) استفاده گردید. یافته های پژوهش نشان می دهد که کلیه مدل های فوق عملکرد بسیار خوبی در پیش ‍بینی فرایند بارش-رواناب از خود نشان دادند. در این بین مدل ANN-BWO دارای بهترین عملکرد در پیش ‍بینی بوده است. همچنین مدل های  ANN-WOAو  WANN و  ANN-BWOبه ‍ترتیب ۴/۳۲ و ۶/۲۷ و ۱۴/۲۲ درصد دقت مدل منفرد شبکه عصبی را بهبود بخشیدند.

کلیدواژه ها:

نویسندگان

ادریس معروفی نیا

دانشجوی دکتری، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

احمد شرافتی

دانشیار، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

هیراد عبقری

دانشیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ایران.

یوسف حسن زاده

استاد، گروه مهندسی آب، قطب علمی هیدروانفورماتیک، دانشکده مهندسی عمران، دانشگاه تبریز، شرکت مهندسین مشاور فرازآب ، دفتر برنامه ریزی و مدیریت طرح ها، تبریز، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abrahart, R.J. and See, L., ۲۰۰۰. Comparing neural network and ...
  • Abudu, S., Cui, C.L., King, J.P. and Abudukadeer, K., ۲۰۱۰. ...
  • Afan, H.A., El-Shafie, A., Yaseen, Z.M., Hameed, M.M., Wan Mohtar, ...
  • Ahmed, J.A. and Sarma, A.K., ۲۰۰۷. Artificial neural network model ...
  • Anusree, K. and Varghese, K.O., ۲۰۱۶. Streamflow prediction of Karuvannur ...
  • Ayele, G.T., Teshale, E.Z., Yu, B., Rutherfurd, I.D. and Jeong, ...
  • Box, G.P., & Jenkins, ۱۹۷۰. Time series analysis: forecasting and ...
  • Chiang, Y.M., Chang, L.C. and Chang, F.J., ۲۰۰۴. Comparison of ...
  • Danandeh Mehr, A., Kahya, E., Şahin, A. and Nazemosadat, M.J., ...
  • Daneshvar Vousoughi, F. and Samadzadeh, R., ۲۰۲۱. Predicting runoff with ...
  • Fan, Q., Chen, Z., Zhang, W. and Fang, X., ۲۰۲۲. ...
  • Freire, P.K.D.M.M., Santos, C.A.G. and da Silva, G.B.L., ۲۰۱۹. Analysis ...
  • Wiley, D., Ware, C., Bocconcelli, A., Cholewiak, D., Friedlaender, A., ...
  • Ghorbani, M.A. and Dehghani, R., ۲۰۱۶. Application of Bayesian Neural ...
  • Ghorbani, M.A.,Azani, A. and Mahmoudi Vanolya, S. ۲۰۱۶ . Rainfall-Runoff Modeling Using ...
  • Guven, A., ۲۰۰۹. Linear genetic programming for time-series modelling of ...
  • Haykin S. ۱۹۹۹. Neural Networks. MacMillan Publishing Company ...
  • Houssein, E.H., Helmy, B.E.D., Oliva, D., Elngar, A.A. and Shaban, ...
  • Kember, G., Flower, A.C. and Holubeshen, J., ۱۹۹۳. Forecasting river ...
  • Legates, D.R. and McCabe Jr, G.J., ۱۹۹۹. Evaluating the use ...
  • Maier, H.R., Kapelan, Z., Kasprzyk, J., Kollat, J., Matott, L.S., ...
  • Mirjalili, S. and Lewis, A., ۲۰۱۶. The whale optimization algorithm. Advances ...
  • Mohanty, U.C., Nageswararao, M.M., Sinha, P., Nair, A., Singh, A., ...
  • Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, ...
  • Nayak, P.C., Rao, Y.S. and Sudheer, K.P., ۲۰۰۶. Groundwater level ...
  • Rana, N., Latiff, M.S.A., Abdulhamid, S.I.M. and Chiroma, H., ۲۰۲۰. ...
  • Salajegheh, A., Fathabadi,A and Mahdavi, M. ۲۰۰۹. Investigation on the efficiency ...
  • Salas, J.D., ۱۹۸۰. Applied modeling of hydrologic time series. Water Resources ...
  • Sari, I., Zengin, S., Davutoglu, V., Yildirim, C. and Gunay, ...
  • Shi, J., Guo, J. and Zheng, S., ۲۰۱۲. Evaluation of ...
  • Valipour, M. and Montazar, A.A., ۲۰۱۲. Sensitive analysis of optimized ...
  • Watkins, W.A. and Schevill, W.E., ۱۹۷۹. Aerial observation of feeding ...
  • Yaseen, Z.M., Awadh, S.M., Sharafati, A. and Shahid, S., ۲۰۱۸. ...
  • Yaseen, Z.M., El-Shafie, A., Afan, H.A., Hameed, M., Mohtar, W.H.M.W. ...
  • Zhang, D., Peng, X., Pan, K. and Liu, Y., ۲۰۱۹. ...
  • نمایش کامل مراجع