نوع مقاله : مقالات پژوهشی
نویسندگان
اسلام آزاد دانشگاهی، تحق و علـوم واحـدی قـات، و جـوان پژوهشـگران باشـگاه ا تهران، نخبگان،یران
چکیده
در این مطالعه به منظور برآورد شاخص های عملکرد هیدرولیکی سیستم آبیاری تحت فشار، جایگزینی مدل های هیدرولیکی با استفاده از مدل-های آماری و شبکة عصبی مصنوعی مورد ارزیابی قرار گرفت. ضریب یکنواختی کریستیانسن به عنوان شاخص عملکرد هیدرولیکی، در نظر گرفته شد و با استفاده از یک الگوریتم، مقادیر این شاخص به صورت تابعی از ترکیب های مختلف فشار ورودی، تعداد خروجی ها، فاصلة خروجی ها، ضریب زبری لوله، قطر داخلی، شیب، دبی اسمی خروجی ها، فشار کارکرد خروجی ها و توان معادلة دبی خروجی ها محاسبه گردید (4320 ترکیب مختلف). دو مدل شبکة عصبی مصنوعی شامل شبکة پرسپترون چندلایه (MLP) و شبکة رگرسیون تعمیم‌یافته (GRNN) و نیز روش K نزدیک ترین همسایه (KNN) به عنوان یک مدل رگرسیون ناپارامتری برای شبیه سازی شاخص عملکرد هیدرولیکی لاترال ها مورد آزمون قرار گرفتند. نتایج نشان داد که مدل شبکة عصبی مصنوعی MLP قادر است با کمترین خطا (3-2%) مقادیر ضریب یکنواختی لاترال های آبیاری تحت فشار را با استفاده از مشخصات هیدرولیکی و فیزیکی لاترال برآورد نماید. عملکرد مدل GRNN نیز به ویژه در ارتباط با کل داده ها در سطح نسبتاً مطلوبی ارزیابی گردید. اما روش KNN علیرغم شبیه سازی دقیق متوسط مقادیر CU، قادر به شبیه سازی دقیق انحراف استاندارد این مقادیر نبوده و خطای آن در مرحلة آزمون بسیار بیشتر از دو مدل دیگر برآورد گردید. در روش KNN، کمترین مقدار شاخص های خطا مربوط به رگرسیون ناپارامتری با 10 و 15 همسایه می‌باشد. نتایج این مطالعه نشان داد که امکان ساده سازی مدل های پیچیدة هیدرولیکی با جایگزینی کل یا بخشی از این مدل ها با مدل-های ساده تر آماری و شبکه عصبی وجود دارد و این مسئله با توجه به پیچیدگی مدل های هیدرولیکی، به ویژه در فرآیند بهینه سازی سیستم های آبیاری، می تواند مورد توجه قرار گیرد.
کلیدواژه‌ها
عنوان مقاله [English]
Estimating Hydraulic Performance of Pressurized Irrigation System Using Artificial Neural Networks and Nonparametric Regression
نویسندگان [English]
- B. Ababaei
- V. R. Verdinejad
چکیده [English]
In this research, replacement of hydraulic models with statistical models and artificial neural networks were studied in order to estimate the criteria of pressurized irrigation systems hydraulic performance. The Coefficient of Uniformity of Christiansen (CU) was accepted as a hydraulic performance index. Using an automated algorithm, the values of this index were calculated for different combinations of inlet pressure, number and spacing of outlets, pipe roughness coefficient, inside diameter, slope, outlets nominal outflow and pressure and the exponent of the formula of outlet outflows (x) (4320 different combinations). Two different architecture of artificial neural networks were studied including a multi-layer perceptron (MLP) model and a generalize regression model (GRNN). Again, K-nearest neighbor (KNN) algorithm, as a nonparametric regression model was analyzed too. The results showed that MLP model could estimate the CU values of pressurized irrigation system laterals very closely (2-3% error) using its hydraulic and physical characteristics. The performance of GRNN model was also acceptable, especially related to the whole data set. But, the KNN algorithm was unable to predict standard deviation of CU values, although it was capable in estimating the mean value. The deviations of the KNN algorithm were the largest among all the models. The lowest values of error indices of the KNN algorithm was related to the K values of 10 and 15. The results of this study revealed the possibility of simplification of sophisticated hydraulic models by replacing the whole or some parts of these models with simpler statistical models and artificial neural networks. This is very interesting because of the complexity of hydraulic models, especially in optimization processes of irrigation systems.
کلیدواژه‌ها [English]
- Pressurized Irrigating
- Hydraulic Performance
- Artificial neural networks
- K-Nearest Neighbors
)
ارسال نظر در مورد این مقاله