برآورد بار رسوب معلق روزانه با استفاده از یک مدل شبکه عصبی مصنوعی ترکیبی جدید همراه با روش بهینه سازی مبتنی بر ناظر- معلم- یادگیرنده
الموضوعات : Article frome a thesis
1 - دانشجوی دکترا،دانشکده عمران،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران
2 - دانشیار، دانشکده عمران،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران
الکلمات المفتاحية: ", بار رسوب معلق", , ", الگوریتم بهینه سازی", , ", شبکه های عصبی مصنوعی",
ملخص المقالة :
چکیده:
مقدمه: بار رسوب معلق SSLیکی از پدیده های پیچیده هیدرولوژیکی است و پیشینی آن دشوار است. در این مطالعه از روش شبکه عصبی مصنوعی جهت پیش بینی بار رسوب معلق استفاده شده است. از آنجاییکه دقت عملکرد شبکه های عصبی مصنوعی به پارامترهای آن بستگی دارد. استفاده از الگوریتم های فراابتکاری می تواند در جهت افزایش عملکرد آنها موثر باشد. منطقه مورد مطالعه در حوضه آبریز سد کوثر واقع در جنوب غربی ایران می باشد.
روش: دبی رودخانه و بارش به عنوان ویژگی های ورودی به مدل های پیش بینی در نظر گرفته شدپنج ترکیب ورودی انتخاب شدند. از الگوریتم های فراابتکاری OTLBO، PSO با شبکه عصبی مصنوعی ترکیب شدند و مدل های پیش بینی ANN-OTLBO و ANN-PSO تدوین گردید. مدل‌های پیش‌بینی با استفاده از شاخص‌های عددی و بصری مختلف ارزیابی می‌شوند.
یافته ها: نتایج نشان می‌دهد که مدل ANN-OTLBO عملکرد پیش‌بینی بالاتری نسبت به سایر مدل‌های بکار رفته در مطالعه حاضر ارائه می‌دهد. که مقادیر عبارتند از 96358/0R=، 14/258 RMSE=،6752/2- PBIAS= و92674/0=NSE ، و همچنین بر اساس نمودار scatter plot و heat map و box plot نزدیک ترین داده های پیش بینی شده به داده های مشاهداتی متعلق به مدل ANN-OTLBO-M5 می باشد.
نتیجه گیری: در بین تمامی مدل های ANN،ANN-OTLBO، ANN-PSO، مدل ANN-OTLBO برترین عملکرد را دارا می باشد. مدل مذکور توانسته است مقادیر بالا ، متوسط و کم رسوب را با دقت مناسبی پیش بینی کند و ترکیب الگوریتم های فراابتکاری با شبکه عصبی مصنوعی باعث افزایش دقت پیش بینی رسوب می شوند.
[1] B. Choubin, H. Darabi, O. Rahmati, F. Sajedi-Hosseini, and B. Kløve, “River suspended sediment modelling using the CART model: A comparative study of machine learning techniques,” Sci. Total Environ., vol. 615, pp. 272–281, Feb. 2018, doi: 10.1016/j.scitotenv.2017.09.293.
[2] M. Y. A. Khan, F. Tian, F. Hasan, and G. J. Chakrapani, “Artificial neural network simulation for prediction of suspended sediment concentration in the River Ramganga, Ganges Basin, India,” Int. J. Sediment Res., vol. 34, no. 2, pp. 95–107, Apr. 2019, doi: 10.1016/j.ijsrc.2018.09.001.
[3] O. Kisi, “Modeling discharge-suspended sediment relationship using least square support vector machine,” J. Hydrol., vol. 456–457, pp. 110–120, Aug. 2012, doi: 10.1016/j.jhydrol.2012.06.019.
[4] B. Greimann, Y. Lai, and J. Huang, “Two-Dimensional Total Sediment Load Model Equations,” J. Hydraul. Eng., vol. 134, no. 8, pp. 1142–1146, Aug. 2008, doi: 10.1061/(ASCE)0733-9429(2008)134:8(1142).
[5] M. H. Garcia, “Sedimentation engineering: processes, measurements, modeling and practice. ASCE Manuals and Reports on Engineering Practice No. 110. American Society Civil Engineering Publications, Reston, VA, 1150 pp. ISBN 9780784408148.,” no. 110, p. 2008, 2008.
[6] N. E. M. Asselman, “Fitting and interpretation of sediment rating curves,” J. Hydrol., vol. 234, no. 3–4, pp. 228–248, Jul. 2000, doi: 10.1016/S0022-1694(00)00253-5.
[7] K. Vercruysse, R. C. Grabowski, and R. J. Rickson, “Suspended sediment transport dynamics in rivers: Multi-scale drivers of temporal variation,” Earth-Science Reviews, vol. 166. Elsevier B.V., pp. 38–52, Mar. 01, 2017, doi: 10.1016/j.earscirev.2016.12.016.
[8] F. Panahi, M. Ehteram, and M. Emami, “Suspended sediment load prediction based on soft computing models and Black Widow Optimization Algorithm using an enhanced gamma test,” Environ. Sci. Pollut. Res. 2021 2835, vol. 28, no. 35, pp. 48253–48273, Apr. 2021, doi: 10.1007/S11356-021-14065-4.
[9] S. Q. Salih et al., “River suspended sediment load prediction based on river discharge information: application of newly developed data mining models,” Hydrol. Sci. J., vol. 65, no. 4, pp. 624–637, Mar. 2020, doi: 10.1080/02626667.2019.1703186.
[10] F. B. Banadkooki et al., “Suspended sediment load prediction using artificial neural network and ant lion optimization algorithm,” Environ. Sci. Pollut. Res. 2020 2730, vol. 27, no. 30, pp. 38094–38116, Jul. 2020, doi: 10.1007/S11356-020-09876-W.
[11] M. Buyukyildiz and S. Y. Kumcu, “An Estimation of the Suspended Sediment Load Using Adaptive Network Based Fuzzy Inference System, Support Vector Machine and Artificial Neural Network Models,” Water Resour. Manag., vol. 31, no. 4, pp. 1343–1359, Mar. 2017, doi: 10.1007/s11269-017-1581-1.
[12] A. Sharafati, S. B. Haji Seyed Asadollah, D. Motta, and Z. M. Yaseen, “Application of newly developed ensemble machine learning models for daily suspended sediment load prediction and related uncertainty analysis,” Hydrol. Sci. J., pp. 2022–2042, 2020, doi: 10.1080/02626667.2020.1786571.
[13] G. F. Lin, Y. C. Chou, and M. C. Wu, “Typhoon flood forecasting using integrated two-stage support vector machine approach,” J. Hydrol., vol. 486, pp. 334–342, Apr. 2013, doi: 10.1016/j.jhydrol.2013.02.012.
[14] E. Kakaei Lafdani, A. Moghaddam Nia, and A. Ahmadi, “Daily suspended sediment load prediction using artificial neural networks and support vector machines,” J. Hydrol., vol. 478, pp. 50–62, Jan. 2013, doi: 10.1016/j.jhydrol.2012.11.048.
[15] S. Li, Q. Xie, and J. Yang, “Daily suspended sediment forecast by an integrated dynamic neural network,” J. Hydrol., vol. 604, p. 127258, Jan. 2022, doi: 10.1016/J.JHYDROL.2021.127258.
[16] H. A. Afan et al., “Input attributes optimization using the feasibility of genetic nature inspired algorithm: Application of river flow forecasting,” Sci. Reports 2020 101, vol. 10, no. 1, pp. 1–15, Mar. 2020, doi: 10.1038/s41598-020-61355-x.
[17] M. F. Allawi, O. Jaafar, M. Ehteram, F. Mohamad Hamzah, and A. El-Shafie, “Synchronizing Artificial Intelligence Models for Operating the Dam and Reservoir System,” Water Resour. Manag., vol. 32, no. 10, pp. 3373–3389, Aug. 2018, doi: 10.1007/S11269-018-1996-3.
[18] M. Shahrouzi, M. Aghabagloua, and F. Rafiee, “Observer-teacher-learner-based optimization: An enhanced meta-heuristic for structural sizing design,” Struct. Eng. Mech., vol. 62, no. 5, pp. 537–550, 2017, doi: 10.12989/sem.2017.62.5.537.
[19] S. H. H. Lavasani and R. Doroudi, “Meta heuristic active and semi-active control systems of high-rise building,” Int. J. Struct. Eng., vol. 10, no. 3, pp. 232–253, 2020, doi: 10.1504/IJSTRUCTE.2020.108529.
[20] S. H. Hosseini Lavassani, S. A. Mousavi Gavgani, and R. Doroudi, “Optimal control of jacket platforms vibrations under the simultaneous effect of waves and earthquakes considering fluid-structure interaction,” Ocean Eng., vol. 280, p. 114593, Jul. 2023, doi: 10.1016/J.OCEANENG.2023.114593.
[21] Y. S. J. Kennedy, R. C. Eberhart, Swarm Intelligence, First edit. San Francisco: Morgan Kaufmann, 2001.
[22] D. N. Moriasi, J. G. Arnold, M. W. Van Liew, R. L. Bingner, R. D. Harmel, and T. L. Veith, “Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed Simulations,” Trans. ASABE, vol. 50, no. 3, pp. 885–900, 2007, doi: 10.13031/2013.23153.
[23] J. E. Nash and J. V. Sutcliffe, “River flow forecasting through conceptual models part I — A discussion of principles,” J. Hydrol., vol. 10, no. 3, pp. 282–290, Apr. 1970, doi: 10.1016/0022-1694(70)90255-6.
[24] C. J. Willmott, “On the validation of models,” Phys. Geogr., vol. 2, no. 2, pp. 184–194, 1981, doi: 10.1080/02723646.1981.10642213.
[25] H. H. C. de Salis et al., “Hydrologic Modeling for Sustainable Water Resources Management in Urbanized Karst Areas,” Int. J. Environ. Res. Public Heal. 2019, Vol. 16, Page 2542, vol. 16, no. 14, p. 2542, Jul. 2019, doi: 10.3390/IJERPH16142542.
[26] D. Kumar, A. Pandey, N. Sharma, and W. A. Flügel, “Daily suspended sediment simulation using machine learning approach,” Catena, vol. 138, pp. 77–90, Mar. 2016, doi: 10.1016/j.catena.2015.11.013.
