##plugins.themes.bootstrap3.article.main##

کیومرث روشنگر محمد تقی اعلمی فاطمه وجودی مهربانی

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.

جزئیات مقاله

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.
ارجاع به مقاله
روشنگر ک., اعلمی م. ت., & وجودی مهربانی ف. (2015). افزایش دقت پیش بینی بارکل رسوبی با استفاده از الگوریتم‌های تکاملی (مطالعه موردی: رودخانه قطورچای). آب و خاک, 29(6), 1416-1426. https://doi.org/10.22067/jsw.v29i6.26891
نوع مقاله
علمی - پژوهشی