نوع مقاله : مقالات پژوهشی
نویسندگان
1 دانشگاه تربیت مدرس تهران
2 دانشگاه تهران
چکیده
چکیده
به منظور تعیین آبدهی رودخانه ها در آینده و برنامه ریزی جهت مصرف آب، از مدل هایی جهت پیش بینی این مقادیر استفاده می گردد. همچنین جهت تصحیح، تدقیق، تطویل، تکمیل و یا بازسازی داده ها، مدل های شبیه سازی مورد استفاده قرار می گیرند. از جمله مدل های تجربی مورد استفاده در این زمینه می توان به شبکه عصبی مصنوعی3 (ANN) اشاره نمود. در این تحقیق مؤثر بودن یا نبودن هر یک از عوامل دما، بارش، آبدهی و تأخیرهای زمانی این پارامترها در شبیه سازی و پیش بینی آبدهی رودخانه مورد بررسی قرار گرفته است. به منظور دستیابی آسانتر به این پارامترها و نیز تعیین ترکیب بهینه پارامتر های مؤثر در واسنجی ضرایب ANN از الگوریتم ژنتیک4 (GA) به عنوان یک ابزار بهینه سازی استفاده گردیده است. با انجام فرآیند فوق در دو مدل شبیه سازی و پیش بینی جریان، تعداد لایه های مخفی، تعداد نرون های مؤثر در هر یک از لایه ها، عوامل هواشناسی و هیدرولوژیکی مؤثر و نیز گام های زمانی مناسب هر یک از این عوامل در شبیه سازی و پیش بینی آبدهی با استفاده از GA به نحوی تعیین می گردد که بهترین حالت در مقادیر شبیه سازی و پیش بینی شده آبدهی حاصل شود. در این تحقیق که در حوضه آبریز رودخانه دز صورت گرفته است، تابع هدف کاهش مقدار میانگین مربعات خطای کل در نظر گرفته شد. مقادیر ضریب همبستگی بین آبدهی های محاسباتی و موجود برای دو مدل شبیه سازی و پیش بینی به ترتیب برابر با 86/0 و 79/0 به دست آمد که بیانگر کارآئی الگوریتم ANN-GA در شبیه سازی و پیش بینی آبدهی با دقت مطلوب می باشد. همچنین نتایج نشان دهنده برتری جواب های به دست آمده از مدل شبیه سازی نسبت به مدل پیش بینی می باشند. از دلایل این برتری می توان به وجود عوامل هواشناسی ماه مورد نظر در تعیین میزان آبدهی اشاره نمود.
واژه های کلیدی: شبکه عصبی مصنوعی، شبیه سازی، پیش بینی، آبدهی، بهینه یابی، الگوریتم ژنتیک
عنوان مقاله [English]
Inflow Simulation and Forecasting Optimization Using Hybrid ANN-GA Algorithm
نویسندگان [English]
- M. Zarezadeh 1
- O. Bozorg Haddad 2
1 Department of Water Resources Engineering, Tarbiat Modares University, Tehran, Iran
2 Faculty of Agricultural Engineering and Technology, College of Agriculture & Natural Resources, University of Tehran, Karaj, Tehran, Iran
چکیده [English]
Abstract
One of the major factors on the amount of water resources is river flow which is so dependent to the hydrologic and meteorologic phenomena. Simulation and forecasting of river flow makes the decision maker capable to effectively manage the water resources projects. So, simulation and forecasting models such as artificial neural networks (ANNs) are commonly used for simulation and predicting the exact value of such factors. In this research, the Dez River basin was selected as the case study. This paper investigates the effectiveness of temperature, precipitation and inflow factors and the lag time of those factors in inflow simulation and forecasting. Genetic algorithm (GA) has been thus used as an optimization tool, determining the optimum composition of the effective variables. Thus, in a flow simulation and forecasting model, the number of hidden layers, effective neurons in each layer, effective meteorologic and hydrologic parameters and also the lag time of each factor of flow simulation and forecasting has been considered as decision variables, and GA has been used to obtain the best combination of those variables. In this study, minimization of the total mean square error (MSE) has been considered as the objective function. Results show GA's effectiveness in flow simulation and forecasting with consistent accuracy. The value of R2 criterion has been obtained 0.86 and 0.79 in the simulation and forecasting models, respectively. The results also showed superiority replies obtained from the simulation model to the prediction model. One of the reasons for this superiority can be considering the meteorological factors in the current month in river flow simulation.
Keywords: Artificial Neural Network, Simulation, Forecasting, Flow, Optimization, Genetic Algorithm
)
ارسال نظر در مورد این مقاله