Estimation of daily suspended sediment load using a new hybrid artificial neural network model combined with observer-teacher-learner- based- optimization method
Subject Areas : Article frome a thesis
Siyamak Doroudi
1
,
Ahmad Sharafati
2
*
1 - PhD student, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 - Assistant Professor, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
Keywords: Suspended sediment load, Optimization algorithm, Artificial neural network,
Abstract :
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, and 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.
[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.
Water Resources Engineering Journal Spring 2025. Vol 18. Issue 64
Research Paper | |
Estimation of daily suspended sediment load using a new hybrid artificial neural network model combined with observer-teacher-learner- based- optimization method | |
Siyamak Doroudi1, Ahmad Sharafati2, * 1. PhD student, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran 2. Assistant Professor, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran | |
Received: 2024.06.02 Revised: 2024.06.07 Accepted: 2024.07.30 | Abstract 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, and 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.
|
Use your device to scan and read the article online
| |
Keywords: Suspended sediment load, Optimization algorithm, Artificial neural network | |
Citation: Siyamak Doroudi, Ahmad Sharafati. Estimation of daily suspended sediment load using a new hybrid artificial neural network model combined with observer-teacher-learner- based- optimization method. Water Resources Engineering Journal. 2025; 18 (64): 25-36. | |
*Corresponding author: Ahmad Sharafati Address: Dept. of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran Tell: +989122861557 Email: asharafati@gmail.com | |
Extended Abstract
Introduction
Despite the importance of suspended sediment load in water resources management issues, the process of assessing suspended sediment load is very complex due to its dependence on numerous hydrological and hydraulic variables. Various physical, numerical, and experimental models have been used to predict SSL. These models have limitations such as complexity in solving equations, dependence on different simplifying assumptions, the need for high knowledge and skill in application, and the availability of high-quality experimental data. Instead, the artificial neural network recognizes complex and non-linear relationships between input and output. Flexibility, simplicity, and pairing with different software are other features of artificial intelligence models. But artificial intelligence models, such as artificial neural networks or support vector machines, must adjust their parameters. Therefore, in this research, the suspended sediment load in the Kosar Dam watershed located in the southwest of Iran has been estimated by combining meta-heuristic algorithms with artificial neural networks
Materials and Methods
The daily hydrological data of the catchment, including the discharge, rainfall, and SSL recorded from 1986 to 2015, are used for prediction modeling. Then all data are rescaled from x ε [a b] to x' ϵ [0 1], and their values are normalized. Input combinations by calculating the correlation between SSL on the day of origin (t) and input variables, including the river discharge (Qs) from the day of origin (t) to the previous four days (t - 4) and the amount of precipitation (Rs and Rd) from the day of origin (t) to six days earlier (t - 6), they are obtained. As a result, using Pearson correlation analysis, five input combinations (M1 to M5) are accepted. Then PSO and OTLBO optimization algorithms are combined with ANN, and two combined models ANN-OTLBO and ANN-PSO, are developed. Hybrid models are executed until the training phase termination criterion is satisfied. In the testing phase, the developed models estimate the suspended sediment load based on the best solution obtained (the best decision variables). Finally, ANN, ANN-OTLBO, and ANN-PSO are evaluated with four criteria: Pearson correlation coefficient (R), root mean square error (RMSE), percentage bias (PBIAS), and Nash-Sutcliffe efficiency (NSE).
Findings
The results of this study demonstrated that hybrid models based on artificial intelligence significantly outperform the basic artificial neural network model in predicting suspended sediment load. Among them, the ANN-OTLBO-M5 model showed the highest accuracy, with R = 0.96358, RMSE = 258.14, PBIAS = -2.6752, and NSE = 0.92674. A comparative analysis revealed that the ANN-M5 model performed best among the basic ANN models, and the ANN-PSO-M5 model showed noticeable improvement over the ANN model; however, its performance was still inferior to the ANN-OTLBO-M5 model. This difference in predictive accuracy can be attributed to the OTLBO algorithm’s superior capability in effectively exploring the solution space and optimally tuning ANN parameters. Furthermore, visual analyses including the Heat map, Scatter plot, and Box plot confirmed the numerical results, indicating that the ANN-OTLBO-M5 model is highly effective in reconstructing the distribution, variability, and statistical patterns of suspended sediment data. The predicted values generated by this model closely matched the observed data across low, medium, and high sediment load levels, highlighting its robustness in modeling a wide range of hydrological conditions. Additionally, it was found that input combination M5 (which includes rainfall and discharge data for the current day and one day prior) yielded the best accuracy across all models, emphasizing the critical role of input selection in improving model performance.
Discussion
The proposed hybrid ANN-OTLBO model demonstrated superior predictive accuracy for suspended sediment load compared to conventional ANN and ANN-PSO models, confirming the effectiveness of meta-heuristic optimization in parameter tuning. Input combination M5 yielded the best results across all models, highlighting the importance of relevant feature selection. Visual analyses supported the numerical outcomes, indicating close alignment between predicted and observed values. In comparison with previous approaches, the developed model provided improved accuracy, particularly in estimating extreme sediment values. Nevertheless, the method requires substantial data and computational resources, suggesting the potential for future improvements through multi-objective optimization.
Conclusion
Quarterly Journal of Women and Society 2021; 12(45): 1- 13 3 |
Quarterly Journal of Women and Society 2021; 12(45): 1- 13 3 |
Quarterly Journal of Women and Society 2021; 12(45): 1- 13 3 |
Ethical Considerations compliance with ethical guidelines
The cooperation of the participants in the present study was voluntary and accompanied by their consent.
Funding
No funding.
Authors' contributions
Design and conceptualization: Siyamak Doroudi, Ahmad Sharafati
Methodology and data analysis: Siyamak Doroudi, Ahmad Sharafati,
Supervision and final writing: Ahmad Sharafati.
Conflicts of interest
The authors declared no conflict of interest.
| |
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 درودی1، احمد شرافتی2* 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 | |
تاریخ دریافت: 13/03/403 1 تاریخ داوری: 18/03/1403 تاریخ پذیرش: 09/05/1403 | چکیده مقدمه: بار رسوب معلق SSLیکی از پدیده های پیچیده هیدرولوژیکی است و پیش بینی آن دشوار است. در این مطالعه از روش شبکه عصبی مصنوعی جهت پیش بینی بار رسوب معلق استفاده شده است. از آنجاییکه دقت عملکرد شبکههای عصبی مصنوعی به پارامترهای آن بستگی دارد. استفاده از الگوریتمهای فراابتکاری میتواند در جهت افزایش عملکرد آنها موثر باشد. منطقه مورد مطالعه در حوضه آبریز سد کوثر واقع در جنوب غربی ایران میباشد. روش: دبی رودخانه و بارش به عنوان ویژگیهای ورودی به مدلهای پیش بینی در نظر گرفته شد. پنج ترکیب ورودی انتخاب شدند. الگوریتمهای فراابتکاری OTLBO، PSO با شبکه عصبی مصنوعی ترکیب شدند و مدلهای پیش بینی ANN-OTLBO و ANN-PSO تدوین گردید. مدلهای پیشبینی با استفاده از شاخصهای عددی و بصری مختلف ارزیابی شدند. یافتهها: نتایج نشان میدهد که مدل ANN-OTLBO عملکرد پیشبینی بالاتری نسبت به سایر مدلهای بکار رفته در مطالعه حاضر ارائه میدهد. 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 دادههای پیش بینی شده به دادههای مشاهداتی متعلق به مدل ANN-OTLBO-M5 میباشد. نتیجهگیری: در بین تمامی مدلهای ANN،ANN-OTLBO، ANN-PSO، مدل ANN-OTLBO برترین عملکرد را دارا میباشد. مدل مذکور توانسته است مقادیر بالا، متوسط و کم رسوب را با دقت مناسبی پیش بینی کند و ترکیب الگوریتمهای فراابتکاری با شبکه عصبی مصنوعی باعث افزایش دقت پیش بینی رسوب میشوند.
|
از دستگاه خود برای اسکن و خواندن مقاله به صورت آنلاین استفاده کنید
DOI: | |
واژههای کلیدی: بار رسوب معلق ،الگوریتم بهینه سازی، شبکههای عصبی مصنوعی
| |
* نویسنده مسئول: احمد شرافتی نشانی: دانشکده عمران،واحد علوم و تحقیقات، دانشگاه آزاد اسلامی،تهران، ایران. تلفن: 09122861557 پست الکترونیکی: asharafati@gmail.com | |
مقدمه
برآورد مناسب بار رسوب معلق (SSL) در اهداف مهندسی آب مانند طراحی و بهره برداری از سدها، سازههای کنترل سیل، کانالهای انتقال آب و دیگر سازههای هیدرولیکی بسیار ضروری است[1] . علیرغم اهمیت SSL، به دلیل وابستگی آن به متغیرهای متعدد هیدرولوژیکی و هیدرولیکی، فرآیند ارزیابی بار معلق رسوب بسیار پیچیده است [2]. تاکنون، مدلهای مختلف پیش بینی SSL مانند مدلهای فیزیکی، عددی و تجربی استفاده شده است. مدلهای فیزیکی از معادله دیفرانسیل جزئی جرم و انتقال جریان تشکیل شده اند. اگرچه مدلهای فیزیکی از دقیق ترین مدلهای پیش بینی هستند، اما پیچیدگی در حل معادلات و ترکیب و وابستگی به مفروضات ساده کننده مختلف، کاربرد آنها را در مسائل مهندسی عملی محدود میکند [3]. مدلهای عددی، که تقریباً گستردهترین رویکرد در سالهای اخیر هستند، بر اساس حل جابجایی جرم و جریان با استفاده از روشهای محاسبه عددی و برنامه نویسی رایانهای ساخته شده اند [4]. علیرغم محبوبیت این رویکرد، به ویژه در سالهای اخیر، این مدلها نیازمند دانش در کاربرد، محدودیتها و تواناییهای طرحها و تکنیکهای عددی مختلف است. علاوه بر این، مدلهای عددی به مهارت بالا در برنامهنویسی کامپیوتری و سرعت محاسبات بالا نیاز دارند[5].کلاس دیگری از روش پیش بینی SSL به اندازه گیری تجربی بستگی دارد و به عنوان روشهای تجربی شناخته میشود. محبوب ترین این رویکرد، روش منحنی سنجههای رسوب میباشد. در این رویکرد، معمولاً از یک مدل رگرسیون برای ایجاد رابطه بین دبی و SSL استفاده میشود [6]. با این حال، روش منحنیهای رتبه بندی رسوب دارای برخی محدودیتهای روش شناختی است. همچنین، یک الزام اساسی برای این رویکرد در دسترس بودن دادههای تجربی با کیفیت بالا است که در فرایند برازش منحنی استفاده میشود[7]. بنابراین نیاز به توسعه یک مدل دقیق و قابل اعتماد برای پیش بینی بار معلق رسوب وجود دارد.
مدلهای هوش مصنوعی در سالهای اخیر قابلیتهای متعددی را برای پیش بینی پارامترها و متغیرهای هیدرولوژیکی از جمله بار معلق رسوب (SSL) نشان داده اند [8]. این مدلها قادر به پیش بینی یک رویداد بدون نیاز به درک عمیق از فرآیند پیچیده آن رویداد هستند و با دریافت دادههای ورودی، روابط پیچیده و غیر خطی بین ورودی و خروجی را تشخیص میدهند[9]. انعطاف پذیری، سادگی و جفت شدن با نرم افزارهای مختلف از دیگر ویژگیهای مدلهای هوش مصنوعی میباشند [10]. در سالهای اخیر ، شبکههای عصبی مصنوعی (ANN) ، ماشین بردار پشتیبان (SVM) [12] و رگرسیون بردار پشتیبان(SVR) برای پیش بینی SSL استفاده شده اند [11] . روش SVR ساختار سادهای دارد. در نتیجه، از روش SVR میتوان در مسائل پیش بینی به راحتی استفاده کرد [13]. اما برای مجموعه دادههای بزرگ نامناسب و وقتی ویژگیها ( متغیرهای ورودی ) بیشتر باشند، پیچیدگیهای محاسباتی آن بیشتر میشود [14]. در مقابل شبکههای عصبی مصنوعی برای مجموعه دادههای بزرگ و ویژگیهای زیاد مناسب هستند[15] .
در حالی که مدلهای هوش مصنوعی برای پیش بینی متغیرهای هیدرولوژیکی بسیار مورد توجه هستند، این مدلها نیاز به تنظیم پارامترهای خود دارند [10]. الگوریتمهای بهینه سازی فراابتکاری از قبیل الگوریتم ازدحام ذرات (PSO)، الگوریتم ژنتیک (GA)، الگوریتم (ALO)، الگوریتم خفاش (BA)، الگوریتم کوسه[10], [16], [17] برای آموزش مدلهای هوش مصنوعی استفاده شده اند تا پارامتر بهینه آنها تعیین شود. تا آنجا که ما میدانیم، هیچ تلاش قبلی برای استفاده از یک مدل ترکیبی ANN-OTLBO بر مبنای بهینه سازی مبتنی بر ناظر، معلم، یادگیرنده (OTLBO) برای پیش بینی SSL انجام نشده است. در این تحقیق اقدام به تدوین مدل ترکیبی جدید ANN-OTLBO شده است. همچنین به دلیل کمبود اطلاعات در مورد دادههای بار معلق رسوب در برخی از حوضههای آبریز ایران، اطلاعات رسوبات پیوسته در دسترس نیست. با این حال، دادههای بارندگی و دبی رودخانه به صورت سری زمانی در دسترس است. بنابراین، یک مجموعه داده از بارندگی و دبی رودخانه به عنوان پیش بینی کننده برای شبیه سازی SSL های انتخاب شده، بر اساس رویدادهای مشاهده شده موجود، استفاده میشود. مدل ترکیبی ANN-PSO برای مقایسه عملکرد مدل پیشنهادی نیز به کار گرفته شده است. اهداف اصلی این مطالعه به شرح زیر است: (1) در نظر گرفتن یک مدل هوش مصنوعی ترکیبی جدید (ANN-OTLBO) برای برآورد بار معلق رسوب (2) ارزیابی پیش بینی پذیری مدل توسعه یافته در یکی از رودخانههای ایران ( به عنوان مثال ، رودخانه چم سیاه) با وجود کمبود اطلاعات رسوب (3) توسعه یک مدل پیش بینی با استفاده از دبی رودخانه و بارندگی به عنوان عوامل اصلی در بار رسوب معلق.
مواد و روشها
برای بررسی عملکرد مدلهای پیشنهادی، حوضه آبریز رودخانه چم سیاه در استان کهگیلویه و بویراحمد، جنوب غرب ایران، به عنوان منطقه مورد مطالعه مورد استفاده قرار میگیرد. حوضه آبریز چم سیاه، که در شکل 1 نشان داده شده است، 793 کیلومتر مربع مساحت دارد. متوسط بارندگی سالانه و دبی رودخانه حوضه آبریز 623.5 میلی متر و 8.02 متر مکعب بر ثانیه است. حداقل و حداکثر ارتفاعات آن 600 تا 1500 متر است. شیب متوسط حوضه فرعی 9/26%، و حجم رسوب سالانه 328711 تن در سال است.
دادههای هیدرولوژیکی روزانه حوضه، شامل دبی، بارندگی و SSL ثبت شده از 1986 تا 2015، برای مدل سازی پیش بینی استفاده میشود. دادههای بارندگی روزانه از دو باران سنج، ایستگاه سید آباد، که در ارتفاع 690 متر واقع شده است، و دهدشت، که در ارتفاع 840 واقع شده است، بدست میآید. علاوه بر این، دادههای روزانه دبی رودخانه و رسوبات ایستگاه سید آباد، که در ارتفاع 663 متر واقع شده است، ارائه میشود. سپس همه دادهها از x ε [a b] به x' ϵ [0 1] مجددا مقیاس بندی میشوند و مقدار آنها با استفاده از معادله زیرنرمالسازی میشوند:
|
شکل 1- موقعيت محدوده مورد مطالعه در استان و حوضه آبريز
در فاز آموزش مدلهای ترکیبی، پارامترهای شبکه عصبی مصنوعی (تعداد نورون ها، مقدار epoch و gradient min ) به عنوان متغیر تصمیم در نظر گرفته میشوند. برای یافتن بهترین مقادیر متغیرهای تصمیم الگوریتمهای بهینه سازی PSO, OTLBO به کار گرفته میشوند. سپس ANN اقدام به تخمین بار معلق رسوب میکند. این مراحل تا ارضای معیار خاتمه فاز آموزش تکرار میشوند. در فاز آزمایش مدلهای تدوین شده بر اساس بهترین جواب بدست آمده، اقدام به برآورد بار رسوب معلق میکنند. در انتها عملکرد مدلهای پیش بینی با چهار معیار ارزیابی میشود. جزئیات بیشتر روش ANN، الگوریتمهای بهینه سازی و روش بهبود یافته ANNدر ادامه توضیح داده شده است.
شبکه عصبی مصنوعی
شبکه عصبی مصنوعی شامل اتصالات داخلی مجموعهای از نورونهای مصنوعی است که با استفاده از آنها به پردازش و محاسبه اطلاعات کاربردی میپردازد. ایده اصلی این گونه شبکهها تا حدودی الهام گرفته از شیوه کارکرد سیستم عصبی زیستی برای پردازش دادهها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. در این تحقیق از شبکه عصبی پرسپترن چند لایه(MLP) استفاده شده است. مدل MLP عمدتا از سه لایه (یک لایه ورودی، لایه های پنهان و یک لایه خروجی) تشکیل شده است. ساختار یک MLP در شکل 2 آورده شده است.
شکل 2- ساختار شماتیک یک شبکه عصبی چند لایه پرسپترن
الگوریتمهای بهینه سازی
برای بهینه کردن پارامترهای شبکه عصبی پرسپترن چند لایه از قبیل تعداد نورونها، مقدارepoch و gradient minدر فاز آموزش از الگوریتمهای بهینه سازی PSO و OTLBO استفاده شده است که در ادامه به توضیح مختصر این دو الگوریتم میپردازیم:
الگوریتم بهینه سازی OTLBO
الگوریتم OTLBO یک روش بهینه سازی فراابتکاری قوی است که ابتدا توسط شاهروزی و همکاران معرفی شد [18]. در سالهای اخیر مورد توجه پژوهشگران قرار گرفته است[19], [20]. اولین مرحله به صورت تصادفی بین فاز معلم و یا فاز ناظر فعال میشود. در فاز معلم هدف، بهبود متوسط سطح نمرات دانش آموزان )جمعیت) توسط معلم است و یک راه حل جدید ایجاد میشود. در فاز ناظر، اطلاعات همکلاسیها (جمعیت)، به طور تصادفی از دانش آموزان مختلف گرفته میشود تا راه حل جدیدی به نام ناظر ایجاد شود. در مرحله بعدی یادگیری از طریق تعامل بین خود دانش آموزان است که فاز یادگیرنده نامیده میشود. نخبه گرایی که برای جلوگیری از دست دادن بهترین راه حل های تاکنون، با استفاده از تکرار روش جستجو ارائه شده است. مناسبترین راه حلهای نسل جدید از طریق مکانیسم فاز معلم، ناظر و یادگیرنده در هر تکرار مقایسه و به روز میشوند. جزئیات بیشتر OTLBO توسط شاهروزی و همکاران ارائه شده است[18] .
الگوریتم بهینه سازی PSO
الگوریتم PSO از حرکت دسته جمعی پرندگان الهام گرفته است. در این رویکرد رفتار هر فرد یا از بهترین محلی یا از بهترین فرد جهانی متاثر میشود. این رویکرد از مفهوم جمعیت و اندازه گیری عملکرد شبیه به ارزش تناسب استفاده شده با الگوریتمهای تکاملی، استفاده میکند. همچنین، PSO به افراد امکان میدهد از تجربیات گذشته خود استفاده کنند. در نتیجه عوامل جستجو امکان جستجوی گسترده تری را در فضای جستجو دارند. جزئیات بیشتر PSO توسط ابرهارت و همکاران ارائه شده است [21].
مدلهای ترکیبیANN
همانطور که ذکر شد، پارامترهایANN، از جمله مقدار تعداد نورونها، epoch وgradient min ، متغیرهای تصمیمگیری در نظر گرفته میشوند که باید از طریق OTLBO یا PSO در یک تابع هدف بهینه شوند. در موردANN-OTLBO ، توسعه فرآیند از مراحل زیر تشکیل شده است:
1. مقادیر اولیه متغیرهای تصمیم به طور تصادفی تعیین میشوند.
2. جمعیت اولیه تعیین میشوند.
3. مدل ANN مقادیر رسوب را بر اساس دادههای آموزش پیش بینی میکند. مقدار تابع هدف که ضریب همبستگی بین مقادیر رسوب مشاهده شده و پیش بینی شده در این مطالعه است، محاسبه میشود.
4. مرحله معلم یا ناظر به طور تصادفی برای تعیین پارامترهای ANN ( متغیر های تصمیم) انتخاب میشود. سپس، راه حل جدید بدست میآید و با بهترین راه حل مقایسه میشود.
5. مرحله یادگیرنده شروع میشود، و بر اساس آن متغیرهای تصمیم انتخاب میشوند و راه حل جدید بدست میآید و با بهترین راه حل مقایسه میشود.
6. بهترین راه حل به روز میشود.
7. مراحل 4 تا 6 تا ارضای معیار خاتمه تکرار میشود.
الگوریتم گام به گام فوق مدلANN-OTLBO برای پیش بینی SSL در شکل3 ارائه شده است. مدل ترکیبی دوم بر اساس روش ANN-PSO است. مراحل زیر برای توسعه مدل استفاده میشود:
1. جمعیت اولیه الگوریتم PSO به همراه متغیرهای تصمیم به صورت تصادفی تعیین میشوند.
2. مدل ANN مقادیر رسوب را بر اساس دادههای آموزش پیش بینی میکند. مقدار تابع هدف، ضریب همبستگی بین مقادیر رسوب مشاهده شده و پیش بینی شده، مدل محاسبه میشود.
3. مقدار سرعت velocity و موقعیت position ذرات که مقدار بهینه سه پارامتر روش شبکه عصبی مصنوعی میباشد، محاسبه میشود.
4. بهترین راه حل به روز میشود.
5. مراحل 3 تا 4 تا برآوردن معیار خاتمه تکرار میشود.
الگوریتم مدل ANN-PSO برای پیش بینی SSL در شکل4 نشان داده شده است.
شکل 3- ساختار مدل ANN-OTLBO
شکل 4- ساختار مدل ANN-PSO
ارزیابی توانایی پیش بینی مدلها
چهار شاخص برای ارزیابی توانایی پیش بینی مدلهای ANN-PSO، ANN-OTLBO و ANN استفاده میشود. این شاخص ها از ضریب همبستگی پیرسون (R) (مقدار بیشتر R نشان دهنده دقت بیشتر در پیش بینی )، ریشه میانگین مربعات خطا (RMSE) (مقدار کمتر RMSE نشان دهنده دقت بیشتر در پیش بینی)، سوگیری درصدی (PBIAS), (مقدار کمتر PBIAS نشان دهنده دقت بیشتر در پیش بینی) [22] و کارایی نش-ساتکلیف(NSE) (مقدار بیشتر NSE نشان دهنده دقت بیشتر در پیش بینی ) [23] ، تشکیل شده است که به شرح زیر میباشند:
| (2) | |||||
| (3) | |||||
| (4) | |||||
| (5) | |||||
متغییر ورودی | R | متغییر ورودی | R | متغییر ورودی | R | |
Qs(t) | 0.53 | Rd(t ) | 0.58 | Rs(t ) | 0.59 | |
Qs(t -1) | 0.28 | Rd(t -1) | 0.37 | Rs(t -1) | 0.34 | |
Qs(t -2) | 0.21 | Rd(t -2) | 0.14 | Rs(t -2) | 0.24 | |
Qs(t -3) | 0.07 | Rd(t -3) | 0.11 | Rs(t -3) | 0.08 | |
Qs(t -4) | 0.07 | Rd(t -4) | 0.06 | Rs(t -4) | 0.01 | |
|
| Rd(t -5) | 0.01 | Rs(t -5) | -0.03 | |
|
| Rd(t -6) | 0.02 | Rs(t -6) | 0.04 | |
Rd مربوط به ایستگاه باران سنجی دهدشت، Rs مربوط به ایستگاه باران سنجی سیدآباد | ||||||
جدول 2- ترکیبهای ورودی مورد استفاده مدلهای پیش بینی
Input combination | Input variables | ||||
M1 | Rs(t) | - | - | - | - |
M2 | Rs(t) | Rd(t) | - | - | - |
M3 | Rs(t) | Rd(t) | Qs(t) | - | - |
M4 | Rs(t) | Rd(t) | Qs(t) | Rd(t -1) | - |
M5 | Rs(t) | Rd(t) | Qs(t) | Rd(t -1) | Rs(t -1) |
ارزیابی عملکرد مدلها
برای مقایسه عملکرد پیشبینی مدلهای مورد استفاده در این مطالعه مقادیر شاخصهای آنها برای ترکیبهای ورودی مختلف در مرحله آزمایش در جدول 3 ارائه شده است.
جدول 3- شاخصهای عملکرد مدلهای پیش بینی به دست آمده در مرحله آزمایش
Model | R | RMSE | PBIAS | NSE |
ANN-OTLBO-M1 | 84057/0 | 72/574 | 3114/24 | 63686/0 |
ANN-OTLBO-M2 | 88571/0 | 66/472 | 3257/8 | 75438/0 |
ANN-OTLBO-M3 | 93323/0 | 79/343 | 2973/4 | 87006/0 |
ANN-OTLBO-M4 | 94919/0 | 85/301 | 9832/5- | 89938/0 |
ANN-OTLBO-M5 | 96358/0 | 14/258 | 6752/2- | 92674/0 |
ANN-PSO-M1 | 82149/0 | 67/690 | 8136/31- | 47556/0 |
ANN-PSO-M2 | 86720/0 | 35/540 | 5987/28- | 67899/0 |
ANN-PSO-M3 | 90465/0 | 41/418 | 9450/27- | 80753/0 |
ANN-PSO-M4 | 90925/0 | 85/414 | 6330/23- | 81079/0 |
ANN-PSO-M5 | 92476/0 | 10/371 | 2667/21- | 84859/0 |
ANN -M1 | 76097/0 | 48/639 | 5521/32- | 55401/0 |
ANN -M2 | 78452/0 | 45/618 | 6300/42- | 57949/0 |
ANN -M3 | 82544/0 | 90/630 | 7669/37- | 56239/0 |
ANN -M4 | 85611/0 | 97/524 | 3533/30- | 69700/0 |
ANNM5 | 88292/0 | 31/486 | 5631/34- | 7399/0
|
بر اساس جدول 3 برای مدل ANN-OTLBO بهترین عملکرد مربوط بهANN-OTLBO-M5 میباشد (92674/0= NSE ،6752/2-=PBIAS،14/258=RMSE،96358/0R=). در مورد ANN-PSO، مقادیر گزارش شده در جدول 3 نشان میدهد که کمترین مقدار (1/371) RMSE و (2667/21-= (PBIAS و بالاترین (92476/0)=R و (84859/0 (NSE= در مدل ANN-PSO-M5 مشاهده میشود. در مورد مدل ANN بهترین عملکرد سه شاخص متعلق به مدل ANN-M5 (7399/0= NSE ،31/486=RMSE،88292/0R=) و شاخص (5631/34-=PBIAS) متعلق به مدل ANN-M4 میباشد. بنابراین در هر سه روش، ترکیب ورودی M5، که شامل Rs(t)، Rd(t)، Qs(t) ، Rd(t-1) و Rs(t-1) بهترین ترکیب برای پیشبینی SSL(t) است. از این رو، مدلهای پیش بینی، ANN-OTLBO-M5، ANN-PSO-M5، و ANN-M5 برای ارزیابی بیشتر انتخاب میگردند.
برای یافتن بهترین مدل در بین تمامی مدلهای معرفی شده در مطالعه حاضر، نمودار Heat map (شکل 5) به عنوان ابزار مقایسه بصری استفاده شده است. نمودار از معیارهای مختلف نرمال سازی شده برای مقایسه سلولها با مقادیر یک و صفر استفاده میکند که به ترتیب نشان دهنده بالاترین و کمترین عملکرد است. شکل 5 نشان میدهد که ANN-OTLBO-M5 بهترین عملکرد را در هر دو مرحله آموزش و آزمایش دارد.
شکل 5- نمودار Heat map (a فازآموزش (b فاز آزمایش
برای بررسی بیشتر عملکرد مدلها، نمودارهای Scatterplot بار رسوب معلق برآورد شده با استفاده از مدلها و بار رسوب اندازه گیری شده در شکل 6 برای هر دو مرحله آموزش و آزمایش نشان داده شده است. همچنین مقادیر R2 برای مدلهای انتخاب شده گزارش شده است. بر اساس شکل6، مشخص است که مدلهای هیبریدی به طور کلی نسبت به مدل ANN به بهترین خط نزدیک تر هستند. علاوه بر این، ANN-OTLBO-M5 بالاترین مقادیر R2 را در هر دو مرحله آموزش 94522/0 R2 = و آزمایش 92849/0 R2 = ارائه میدهد.
شکل 6- نمودار Scaterplot (a فازآموزش (b فاز آزمایش
برای بررسی تغییرات دادههای پیش بینی شده، از نمودار جعبه (Box plot) استفاده میشود. نمودار جعبه ای از SSL پیش بینی شده برای مدلهای انتخاب شده در شکل7 نشان داده شده است. از لحاظ بصری بر اساس شکل 7، دادههای پیش بینی شده مدل ANN-OTLBO-M5 به دادههای مشاهداتی شبیهتر و کمترین تغییرات را نسبت به آن دارد .از لحاظ کمی، حداقل و حداکثر SSL25 به ترتیب در داده های مشاهده شده (833/63=SSL25) و مدل ANN-PSO-M4 (688/132=SSL25) میباشند. تفاوت نسبی بین دادههای مشاهده شده و مدلهای انتخابی به ترتیب 4/85% ، 1/12% و 8/107% است که مربوط به ANN-M5، ANN-OTLBO-M5 و ANN-PSO-M5 است. اختلاف نسبی در SSL50 بین دادههای رسوب مشاهداتی و داده های رسوب پیش بینی شده به ترتیب برابر 1/115% ، 97/22% و 6/115 % است که مربوط به ANN-M5، ANN-OTLBO-M5 و ANN-PSO-M5 میباشند. همچنین در مورد SSL75 مقادیر به ترتیب برابر (665/156، 067/215، 088/162، 929/240 میلی گرم بر لیتر) مربوط به دادههای مشاهداتی، ANN-M5، ANN-OTLBO-M5، و ANN-PSO-M5 میباشند. بنابراین نزدیک ترین دادههای پیش بینی شده به دادههای مشاهداتی بر اساس نتایج کمی و شکل 7 متعلق به مدل ANN-OTLBO-M5 است.
شکل 7- نمودار جعبه ای دادههای مشاهداتی و پیش بینی شده بار رسوب معلق
بحث و نتیجهگیری
بر اساس نتایج بدست آمده ترکیب شبکههای عصبی مصنوعی با روشهای فراابتکاری، عملکرد برتری نسبت به روش شبکه عصبی مصنوعی بدون ترکیب دارند. همچنین عوامل جستجوی الگوریتم OTLBO امکان جستجوی گسترده تری را در فضای جستجو دارند و در نتیجه عملکرد مدلANN-OTLBO بهتر از مدلهای دیگر میباشد. مدل ANN-OTLBO مقادیر شاخص R را با دقت بسیار بالایی بدست میآورند. شاخص R به مقادیر بزرگ حساس تر است تا مقادیر کوچک [24]. بنابراین مدل ANN-OTLBO در تخمین مقادیر رسوبهای زیاد و خیلی زیاد بسیار دقیق میباشد. علامت شاخصPBIAS در هر سه مدل منفی است که نشان دهنده تخمین بیش از حد تر مدلها نسبت به دادههای مشاهداتی رسوب است. عملکرد مناسب شاخصPBIAS تخمین زیر 15% است[25]. بنابراین مدل ANN-OTLBO در تخمین مقادیر رسوب کم نیز دقیق است. اگر چه مدل ترکیبی جدید توسعه یافته در مطالعه حاضر، SSL را با موفقیت پیشبینی میکند، مقایسه عملکرد آن با نتایج بهدستآمده در مطالعات دیگر جالب است. کومار و همکاران از ANN، رگرسیون چند خطی MLR، طبقهبندی و درخت رگرسیون CART برای پیشبینی SSL استفاده کرد که مقدار R2 برای مدلهای مذکور به ترتیب (92/0، 91/0 و 91/0) بدست آمد[26]. بنابراین، میتوان دریافت که مدلهای ترکیبی گزارش شده در این تحقیق عملکرد پیش بینی بهتری در مقایسه با مدلهای شبکه عصبی در تحقیق کومار دارند.
مطالعه حاضر بر توسعه یک مدل ترکیبی برای تخمین بار رسوب معلق متمرکز شده است. برای این منظور از دادههای هیدرومتری و باران سنجی حوضه رودخانه چم سیاه متشکل از دادههای دبی رودخانه، بار رسوب معلق و بارش استفاده شده است. برای پیشبینی SSL از روش شبکههای عصبی مصنوعی استفاده شد. برای تنظیم پارامترهای روش شبکه عصبی پرسپترن دو مدل ترکیبی توسعه یافتهاند. این مدلهای ترکیبی از ANN-PSO و ANN-OTLBO تشکیل شدهاند. در این مطالعه، پنج ترکیب ورودی مورد بررسی قرار گرفت، همچنین برای هر مدل ANN، ANN-PSO و ANN-OTLBO پنج مدل پیشبینی طراحی شد. از شاخصهای R،RMSE ،PBIAS و NSE برای تعیین بهترین عملکرد مدلها استفاده شد. به طور کلی یافته های زیر در این تحقیق به دست آمده است:
1. در بین تمامی مدلهایANN، عملکرد ANN-M5 بالاترین عملکرد را دارد. ANN-OTLBO-M5 بهترین عملکرد را در مقایسه با سایر مدلهای ANN-OTLBO دارد و ANN-PSO-M5 بهترین مدل در بین تمام مدلهای ANN-PSO است.
2. در میان مدلهایی با بالاترین عملکرد، ANN-OTLBO-M5 بالاترین عملکرد را در هر دو مرحله تست و آموزش دارد.
3. دادههای پیشبینیشده مدلهای ترکیبی در مقایسه با دادههای خروجی مدل ANN به دادههای مشاهدهای نزدیکتر است. علاوه بر این،ANN-OTLBO-M5 نزدیکترین مدل پیشبینیشده با دادههای مشاهدهای است.
پیشنهادها
با وجود نتایج امیدوارکننده این مطالعه، برخی محدودیتها و زمینههای قابلتوجه برای تحقیقات آینده وجود دارد. نخست آنکه مدل توسعهیافته تنها بر اساس دادههای یک حوضه آبریز آموزش دیده و اعتبارسنجی شده است. بنابراین، برای بررسی قابلیت تعمیمپذیری و پایداری عملکرد مدل، توصیه میشود از دادههای حوضههای مختلف با شرایط اقلیمی و هیدرولوژیکی متفاوت استفاده شود. از طرفی، در مدل حاضر، عدم قطعیتهای موجود در متغیرهای ورودی مانند بارش و دبی لحاظ نشدهاند. پیشنهاد میشود در پژوهشهای بعدی، تحلیل حساسیت و تحلیل عدم قطعیت بهمنظور افزایش قابلیت اطمینان مدلسازی لحاظ شود.
از منظر کاربردی، مدل پیشنهادی میتواند در پایش و پیشبینی رسوب در زمان واقعی، برنامهریزی بهرهبرداری سدها، مدیریت رسوبزدایی، و طراحی سازههای کنترل فرسایش و رسوب مورد استفاده قرار گیرد. همچنین، در حوزه مدیریت حوضههای آبخیز و سامانههای هشدار سیل و رسوب، این مدل میتواند نقش موثری ایفا کند.
انتخاب ویژگی بر اساس روشهای همبستگی به دلیل پیچیدگی پدیدههای هیدرولوژیکی مانند رسوب، رویکرد ناکافی است. استفاده از الگوریتمهای فراابتکاری روشی مناسب در انتخاب ویژگیها و یافتن بهترین ترکیبهای ورودی است. این محدودیت را میتوان در آینده با توسعه یک مدل بهینه سازی چند هدفه و ترکیب ان با ANN حل کرد. افزون بر این، توسعه مدل با افزودن دادههای تکمیلی مانند اطلاعات سنجش از دور، نوع خاک، پوشش گیاهی یا تغییرات کاربری اراضی، میتواند دقت پیشبینی را در شرایط محیطی پیچیده افزایش دهد. در نهایت، بهکارگیری الگوریتمهای بهینهسازی چندهدفه و معماریهای یادگیری عمیق مانند LSTM ، میتواند چشماندازهای جدیدی برای بهبود عملکرد و کاربردپذیری مدل فراهم آورد
ملاحظات اخلاقی پیروی از اصول اخلاق پژوهش
همکاری مشارکتکنندگان در تحقیق حاضر به صورت داوطلبانه و با رضایت آنان بوده است.
حامی مالی
هزینه تحقیق حاضر توسط نویسندگان مقاله تامین شده است.
مشارکت نویسندگان
طراحی و ایدهپردازی: سیامک درودی، احمد شرافتی؛
روششناسی و تحلیل دادهها: سیامک درودی، احمد شرافتی ؛
نظارت و نگارش نهایی: احمد شرافتی.
تعارض منافع
بنابر اظهار نویسندگان، مقاله حاضر فاقد هرگونه تعارض منافع بوده است.
References
[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.
[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.
[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.
[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.
[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.
[21] Y. S. J. Kennedy, R. C. Eberhart, Swarm Intelligence, First edit. San Francisco: Morgan Kaufmann, 2001.
[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.
Related articles
-
Study on time development of horse-shoe vortex diameter and shear stress at bridge pier
Print Date : 2020-04-20
The rights to this website are owned by the Raimag Press Management System.
Copyright © 2021-2025