پیش بینی تراز سطح آب مخزن سد سفیدرود به وسیله شبکه عصبی بهبودیافته با چند الگوریتم فرا ابتکاری

در پژوهش حاضر، چهار مدل ترکیبی بر پایه شبکه عصبی مصنوعی طراحی گردید. این مدل ها با بهره گیری از الگوریتم های وال (WOA)، گرگ خاکستری (GWO)، شاهین هریس (HHO) و کلونی مورچگان پیوسته (ACOR) ترکیب شدند تا پیش بینی روزانه تراز مخزن سد سفیدرود را انجام دهند. داده های روزانه پانزده ساله، از ۱۳۸۶ تا ۱۴۰۱، جمع آوری گردید. متغیرها شامل دبی ورودی، دبی خروجی، حجم مخزن، سطح آب و تراز مخزن بود. تراز سطح آب مخزن به عنوان خروجی اصلی مدل ها در نظر گرفته شد. متغیرهای ورودی با تحلیل همبستگی متقاطع و خودهمبستگی گزینش شدند. داده ها به نسبت ۷۰ درصد برای آموزش و ۳۰ درصد برای آزمون تقسیم شده و عملکرد مدل ها با استفاده از ضریب تبیین، میانگین خطای مطلق، ریشه میانگین مربعات خطای نرمال شده، شاخص پراکندگی و شاخص عملکرد جهانی ارزیابی گردید. در مرحله آزمون، مدل شبکه عصبی مصنوعی برپایه الگوریتم وال بالاترین دقت را با مقادیر R² برابر ۹۹۹۱/۰، MAE برابر ۴۳/۰ متر، NRMSE برابر ۰۱/۰ و SI برابر ۰۱/۰ به دست آورد. این مدل بر اساس شاخص عملکرد جهانی نیز رتبه اول را کسب کرد. مدل های مدل شبکه عصبی مصنوعی برپایه الگوریتم گرگ خاکستری، کلونی مورچگان پیوسته و شاهین هریس به ترتیب در جایگاه های بعدی قرار گرفتند. در مجموع، نتایج به دست آمده نشان می دهد که ترکیب الگوریتم های فراابتکاری با شبکه عصبی، امکان خروج از بهینه های محلی را فراهم می آورد و دقت پیش بینی تراز سطح آب مخزن را نیز به طور قابل ملاحظه ای افزایش می دهد.

کلیدواژه ها:

الگوریتم فرا ابتکاری ، الگوریتم وال ، تراز سطح آب مخزن ، سد سفیدرود ، شبکه عصبی مصنوعی