شبیه سازی جریان رودخانه رازاور کرمانشاه با استفاده از مدل یادگیری افراطی و الگوریتم های بهینه سازی فراابتکاری نهنگ و ملخ

پیش بینی جریان رودخانه یکی از جنبه های کلیدی هیدرولوژی است که نقش بسزایی در مدیریت منابع آب، کاهش خطرات ناشی از سیل و برنامه ریزی کشاورزی ایفا می کند. هدف اصلی این مطالعه، شبیه سازی دقیق و پیش بینی جریان ماهانه رودخانه رازاور در استان کرمانشاه، با توسعه و ارزیابی مدل ترکیبی ماشین یادگیری افراطی (ELM) بهینه سازی شده توسط الگوریتم های فراابتکاری نهنگ (WOA) و ملخ (GOA) است. برای این منظور، داده های ماهانه جریان رودخانه، بارندگی، تبخیر و دما برای یک بازه زمانی ۱۰ساله با گام زمانی ماهانه جمع آوری و در بازه عددی صفر تا یک نرمال سازی شدند. ۸۰ درصد داده ها برای آموزش و ۲۰ درصد باقی مانده برای ارزیابی مدل ها استفاده شد. عملکرد مدل ها با شاخص های آماریNSE ، RMSE و R² سنجیده شد. ابتدا مدل پایه ELM با استفاده از روش سعی و خطا برای تنظیم وزن های بین لایه های پنهان و خروجی توسعه یافت. سپس، الگوریتم های WOA و GOA برای بهینه سازی وزن ها به کار گرفته شدند. نتایج نشان داد که مدل پایه ELM نسبت به مدل های بهینه سازی شده عملکرد ضعیف تری دارد (آموزش:۰/۱۴۲۷=R۲=۰/۷۹۱۱ ،NSE=۰/۷۷۹۵ ،RSME ، تست: ۰/۱۴۰۶=R۲=۰/۷۹۱۶ ،NSE=۰/۷۸۱۱ ،RSME. مدل GOA-ELM نسبت به مدل ELM عملکرد بهتر اما نسبت به مدل WOA-ELM عملکرد ضعیف تری داشت (آموزش:۰/۱۳۶۶ =R۲=۰/۷۹۲۲ ،NSE= ۰/۷۸۵۵ ،RSME ، تست: ۷R۲=۰/۷۹۲۵ ،NSE=۰/۷۸۵۹ ،۰/۱۳۲۸= .(RSME مدل WOA-ELM نسبت به همه مدل ها عملکرد بهتری دارد (آموزش: ۰/۱۲۱۵=R۲=۰/۷۹۳ ،NSE=۰/۷۸۶۹ ،RSME،تست: ۰/۱۱۶۵  =R۲=۰/۷۹۳۳ ،NSE=۰/۷۸۷۲ ،RSME). این پژوهش نشان می دهد که الگوریتم های بهینه سازی فراابتکاری به دلیل توانایی جستجوی جامع و جلوگیری از گرفتار شدن در بهینه های محلی، نقش مهمی در بهبود عملکرد مدل های پیش بینی جریان رودخانه دارند. یافته های این مطالعه، بر اهمیت به کارگیری این تکنیک ها در مدیریت منابع آب و برنامه ریزی پایدار تاکید می کند و زمینه ساز پژوهش های آتی در این حوزه خواهد بود.

کلیدواژه ها:

River engineering ، Extreme learning machine ، Optimization algorithm ، GOA ، WOA. ، مهندسی رودخانه ، ماشین یادگیری افراطی ، الگوریتم بهینه سازی ، GOA ، WOA