Prediction of Longitudinal Dispersion Coefficient of Pollution in Rivers Using a Modified of Neural Networksby Genetic Algorithm

محورهای موضوعی : Irrigation and Drainage

عباس پارسایی ¹ , امیر حمزه حقی آبی ² , امیر مرادی نژاد ³

1 - گروه مهندسی آب دانشگاه لرستان، خرم آباد، ایران
2 - گروه مهندسی آب، دانشگاه لرستان، خرم آباد، ایران.
3 - دانشگاه لرستان، خرم آباد، ایران.

تاریخ دریافت : 1391/06/28 تاریخ پذیرش : 1391/02/05 تاریخ انتشار : 1391/10/01

کلید واژه: Optimization, الگوریتم ژنتیک, شبکه عصبی, Neural Networks, انتقال آلودگی, Dispersion coefficient, pollution in rivers.genetic algorithm, ضریب پخش آلودگی,

چکیده مقاله :

Reductionof Surface water quality and pollution in the environment is majorproblems. This issuewill become more important because the rivers are as a source for supplied for drinking water forpeople, industrial and agriculture. Prediction and modeling of hydraulic phenomenon is one of themost importantactivities of Hydraulic Engineering. Neural network is one of the most usefulmethods of data processing which capable of modeling the complex relationships between inputand output. In this study, for prediction of the dispersion coefficient of pollution in rivers andthedevelopment of neural network (ANN) and empirical formulas wasstudied. Best accuracy ofthem is related to the Tavakollizadeh and Kashefipur, formula which its error index R 2 􀀠 0.77 .To increase in the perdition of the dispersion coefficient, the multi-layer perceptron (MLP) wasdeveloped. Training process and simulation MLP model was conducted in the Matlabsoftwareenvironment.To increase the performance of the MLP, genetic algorithm for training process isused. The results showed that the MLP are more accurate in comparison with otherempiricalequations.Using genetic algorithms for neural network training the neural networkmodel will further increase its accuracy about the 19 percent.

چکیده انگلیسی:

فرایند پخشیدگی آلودگی در رودخانه‌ها بسیار پیچیده است. مدیریت صحیح کیفیت آب رودخانه نیازمند داشتن اطلاع دقیقی از ضریب پخشیدگی آلودگی است. توسعه مدل‌های تجاری جهت شبیه سازی عددی انتقال آلودگی در مجاری روباز مستلزم محاسبه ضریب پخشیدگی می‌باشد. هرچقدر دقت پیش بینی و محاسبه این پارامتر بیشتر باشد دقت و صحت مدل‌های مدل سازی نیز بیشتر می‌شود و درنهایت برنامه ریزی و تصمیم گیری های مدیریتی متناسب، با دقت و اطمینان بیشتری انجام خواهد شد. روش‌های فراوانی برای محاسبه ضریب پخشیدگی وجود دارد ازجمله روش‌های تجربی، تحلیلی و ریاضی. روش‌های تجربی به علت خطای زیاد، مورد توجه قرار نگرفته‌اند. روش‌های تحلیلی و ریاضی با منظور کردن فرضیات ساده سازی در مراحل مدل سازی، نیز علی رقم پیچیدگی محاسبات، نتایج قابل قبولی را ارائه نداده اند. بنابراین ارزیابی روابط تجربی به توسعه مدل شبکه عصبی چند لایه پرداخته شده است. معادلات تجربی در بهترین حالت دارای دقتی برابر با ( ) که مربوط به فرمول ارائه شده توسط کاشفی پور و توکلی زاده است. برای تخمین دقیق تر ضریب پخشیدگی مدل شبکه عصبی چند لایه توسعه داده شده است. دقت مدل شبکه عصبی در مراحل آموزش و آزمایش به ترتیب برابر با  بوده است. درادامه برای افزایش دقت و کارایی مدل شبکه عصبی، بهینه سازی ضرایب وزنی مورد نیاز شبکه عصبی با استفاده از الگوریتم ژنتیک انجام شده است که عملکرد آن در مراحل آموزش و آزمایش به ترتیب برابر با  می باشد. نتیجه نهایی نشان می دهد که می توان دقت مدل شبکه عصبی توسعه داده شده را بدون افزایش تعداد سلول و یا تعداد لایه ها، تا حدود 19 درصد افزایش داد.