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

سیامک درودی ¹ ( گروه عمران دانشگاه آزاد واحد علوم و تحقیقات تهران ایران )
احمد شرافتی ² ( دانشکده عمران،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران )

تاریخ ارسال : 1402/03/13 تاریخ تایید : 1402/11/25

کلید واژه: ", بار رسوب معلق", , ", الگوریتم بهینه سازی", , ", شبکه های عصبی مصنوعی",

چکیده مقاله :

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.

چکیده انگلیسی :

Introduction: Suspended sediment load (SSL) is one of the complex hydrological phenomena, and its prediction is difficult. This study uses the artificial neural network method to predict suspended sediment load. Since the accuracy of artificial neural networks depends on their parameters, the benefit of meta-heuristic algorithms can be effective in increasing their performance. The case study is the catchment area of the Kosar Dam located in the southwest of Iran.

Methods: River discharge and rainfall were considered as inputs, features for predicting models. Five input compounds were selected. OTLBO and PSO meta-heuristic algorithms were used to find the optimal ANN values, and ANN-OTLBO and ANN-PSO prediction models were developed. Predicting models were evaluated using different numerical and visual indicators.

Findings: The results show that the ANN-OTLBO model provides higher prediction performance than other models used in this study. Specifically, the ANN-OTLBO-M5 model shows superior values (R=0.96358, RMSE=258.14, PBIAS=2.6752, and NSE=0.92674). Also, based on the scatter plot, heat map, and box plot, the closest predicted data to the observed data belongs to the ANN-OTLBO-M5 model.

Conclusion: Among all ANN, ANN-OTLBO, and ANN-PSO models, the ANN-OTLBO model has the best performance. The mentioned model can accurately predict high, medium, and low amounts of sediment. Among all ANN, ANN-OTLBO, and ANN-PSO models, the ANN-OTLBO model has the best performance. The mentioned model can accurately predict high, medium, and low amounts of sediment. In addition, the combination of meta-heuristic algorithms with artificial neural networks increases the accuracy of sediment prediction.