توسعه ی مدل هیبریدی GWO-SVM برای تخمین دبی رسوبی رودخانه شیرین دره

دبی رسوب در یک رودخانه از فرایندهای مهم هیدرولیک جریان به شمار می آید. دبی رسوبی در رودخانه غالبا پس از طی مسیری منجر به ته نشست رسوبات در رودخانه ها و مخازن ذخیره از قبیل سدها می شود و اثرات نامطلوبی در عملکرد سازه های آبی می گذارد. تخمین دبی رسوبی در رودخانه ها حائز اهمیت فراوان می باشد چرا که می تواند مقدار اولیه از رسوب ورودی به مخازن سدها و رسوب ته نشینی شده در بستر رودخانه ها را برآورد نماید. هدف اصلی این تحقیق تخمین دبی رسوبی رودخانه با استفاده از هوش مصنوعی و الگوریتم های بهینه ساز است. امروزه استفاده از روش های هوشمند و بخصوص استفاده از الگوریتم های بهینه ساز برای بهبود مدل ها به منظور پیش بینی پارامترهای مختلف هیدرولیکی و هیدرولوژیکی به کار می رود. در این تحقیق، با استفاده از داده های هیدرومتری رودخانه شیرین دره واقع در استان خراسان شمالی، دبی رسوبی این رودخانه با استفاده از مدل ماشین بردار پشتیبان (SVM) تخمین زده شد. پارامترهای دبی جریان، اشل و رویدادهای قبلی دبی رسوبی به عنوان ورودی مدل SVM استفاده شدند. پس از شبیه سازی دبی رسوبی با استفاده از مدل ماشین بردار پشتیبان از دو الگوریتم بهینه سازی گرگ خاکستری و خفاش در جهت بهبود نتایج مدل سازی مدل SVM استفاده شد. نتایج حاکی از بهبود معیارهای ارزیابی مدل ها در استفاده از الگوریتم های بهینه سازی است. الگوریتم گرگ خاکستری تاثیری بیشتری نسبت به الگوریتم خفاش در نتایج مدل ماشین بردار پشتیبان ایفا کرد و معیارهای ارزیابی را بیشتر تحت تاثیر قرارداد. بر اساس نتایج به دست آمده سناریوی پنجم بهترین سناریو در هر سه مدل است. بر اساس نتایج به دست آمده، مدل SVM-GWO در سناریوی پنجم با دارا بودن شاخص های R۲، RMSE، MAE، NSE و PBIAS به ترتیب برابر با ۷۹/۰، ۱۴۰۱،۵۶۱۳، ۷۸/۰ و ۱۲۲۹ در بخش آموزش و ۶۶/۰، ۸۰۱۹۳، ۲۶۶۶۱، ۶۳/۰ و ۹۴۸۵ در بخش تست به عنوان بهترین مدل در تحقیق حاضر برگزیده شد. اگرچه سناریوی پنجم بهترین سناریو در هر سه مدل است، اما سناریو چهارم هم خیلی نزدیک به این سناریو بوده و تفاوت معنی داری در تخمین دبی رسوبی با سناریوی پنجم ندارد. سناریوهای سوم و دوم در رده های بعدی قرار دارند. همچنین سناریوی اول با توجه به عدم کفایت در معیارهای ارزیابی برای تخمین دبی رسوبی مناسب نمی باشد.

کلیدواژه ها:

شیرین دره ، رودخانه ، دبی رسوبی ، تخمین مدل هیبریدی GWO-SVM ، توسعه