تخمین پارامترهای مدل غیرخطی نوع ششم ماسکینگام در روندیابی سیلاب با الگوریتم بهینه سازی مگس (Mayfly Algorithm)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه علوم و مهندسی آب

2 دانشگاه فردوسی مشهد، دانشکده کشاورزی، گروه علوم و مهندسی آب

3 گروه مهندسی آب، دانشگاه فردوسی مشهد

4 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه فردوسی مشهد

10.22125/iwe.2023.173242

چکیده

یکی از موضوعات اساسی و پایه در مطالعات مهندسی هیدرولوژی و رودخانه، روندیابی سیلاب است. روندیابی سیلاب به روش هیدرولوژیکی در رودخانه­های چند شاخه و رودخانه­های فاقد آمار حوضه میانی مرسوم است. از این رو، مدل هیدرولوژیکی ماسکینگام یک روش مفید است که بدون نیاز به تعیین شیب­ها و مقاطع عرضی در تمام بازه­های رودخانه، عمق و دبی جریان سیلابی را در مقاطع مختلف رودخانه روندیابی می‌کند و از این‌رو، سبب صرفه جویی در هزینه و زمان می‌شود. در این مطالعه، مقادیر بهینه پارامترهای غیرخطی مدل جدید ماسکینگام نوع ششم بر اساس الگوریتم بهینه‌سازی مگس(MA)  محاسبه شده است. در این مدل غیرخطی ماسکینگام که دارای هشت پارامتر است، از ضریب بهبود γ استفاده شده است که با توجه به تعداد پیک‌های موجود در هیدروگراف خروجی، مقادیر بیشتر یا کمتر از یک دارد. برای ارزیابی عملکرد ترکیبی مدل جدید غیر خطی ماسکینگام همراه با الگوریتم نوین MA، از مطالعه موردی ویلسون و وایسمن  لوئیس استفاده شده که توسط بسیاری از محققان قبلی برای اعتبار سنجی مورد استفاده قرار گرفته است. نتایج الگوریتم MA برای دو رودخانه ویلسون و وایسمن لوئیس نشان دهنده کمینه‌سازی مجموع مربعات باقیمانده‌ها (SSQ) به عنوان تابع هدف می­باشد که برای رودخانه ویلسون برابر با 3.21 و رودخانه وایسمن برابر با68722 است. نتایج این تحقیق نشان داد که مدل پیشنهادی دارای دقت زیادی در برآورد مقادیر تخلیه خروجی است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of the Type 6 Muskingum Nonlinear Model Parameters in the Flood Routing with The Mayfly Algorithm (MA)

نویسندگان [English]

  • saeid khalifeh 1
  • Kazem Esmaili 2
  • Saeed Reza Khodashenas 3
  • Fereshteh Modaresi 4
1 PhD Student, Department of Water Science and Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran
2 , Department of Water Science and Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad, Iran
3 Water Engineering Department, Ferdowsi University of Mashhad
4 Department of Water Science and Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad.
چکیده [English]

One of the basic topics in hydrological and river engineering studies is flood routing.Flood flooding is common in multi-tributary rivers and rivers without intermediate basin statistics. Therefore, to achieve the determination of slopes and cross-sections in all sections of the river, the Muskingum hydrological model is a useful method that helps to save information on the depth and flow of the flood at any time by saving time and money. To specify. In this study, the nonlinear parameters of the new Muskingum model are optimized based on the fly algorithm (MA). In this non-linear model of Muskingum, which has eight parameters, the recovery coefficient γ is used, which has more or less values ​​than the number of peaks discharged in the output hydrograph.To evaluate the performance of Muskingum's new nonlinear model with the new MA algorithm, the Wilson and Weisman-Lewis case study has been used by many previous researchers for validation.The results of the MA algorithm for Wilson and Weissman-Lewis rivers show the minimization of the residual squares (SSQ) as the objective function, which is 3.21 for the Wilson River and 68722 for the Weissman River. The results of this study showed that the proposed model has high accuracy in estimating the output discharge values.
 

کلیدواژه‌ها [English]

  • Keywords: Optimization
  • MA
  • Hydrologic routing
  • Muskingum
  • Nonlinear type 6 model

مراجع

خلیفه، س.، ع. اسماعیلی، ک. اسماعیلی و س. خداشناس. 1399. کاربست مقایسه ای الگوریتم جستجوی موجودات همزیست با الگوریتم های فراکاوشی در مدل روندیابی سیلاب. نشریه آب و خاک فردوسی مشهد، جلد 34، شماره 2.
زینلی، م.، و م. پوررضا. 1388. تخمین پارامترهای بهینه مدل روندیابی غیرخطی ماسکینگام با استفاده از الگوریتم مورچگان پیوسته. نشریه مهندسی آبیاری و آب ایران، سال هشتم، شماره 31، ص 106-94.
محمدی قلعه نی، م.، و ا. بزرگ حداد. 1389. بهینه سازی پارامترهای مدل غیرخطی ماسکینگام با استفاده از الگوریتم بهینه سازی نورد شبیه‌سازی شده. نشریه آب و خاک فردوسی مشهد، سال 1389، شماره 5، ص 919-908.
Barati R, Badfar M, Azizyan G, Akbari GH. 2017. Discussion of parameter estimation of extended nonlinear Muskingum models with the weed optimization algorithm” by Farzan Hamedi,
 Bozorg Haddad O, Hamedi F, Orouji H, Pazoki M, Loáiciga HA. 2015. A re-parameterized and improved nonlinear muskingum model for flood routing. Water Resources Management 29(9):3419- 3440.
Cheng, M. Y. and Prayogo, D. 2014. Symbiotic Organisms Search: A new metaheuristic optimization algorithm. J. Comput. Struct. 139, 98-112.
  Chow, V. T. 1973. Open Channel Hydraulic. 3rd Ed. McGraw Hill Book Company. New York. Inc.
Easa SM. 2013. New and improved four parameter nonlinear Muskingum model. Proceeding of the Institution of Civil Engineering-Water Management. 167(5):288–298
Ehteram, M.; Binti Othman, F.; Mundher Yaseen, Z.; Abdulmohsin Afan, H.; Falah Allawi, M.; Bt. Abdul Malek, M.; Najah Ahmed, A.; Shahid, S.; P. Singh, V.; El-Shafie, A. Improving the Muskingum Flood Routing Method Using a Hybrid of Particle Swarm Optimization and Bat Algorithm. Water 2018, 10, 807.
Gavilan G, Houck MH. 1985. Optimal Muskingum River routing. Proceedings of ASCE WRPMD Specialty Conference on Computer Applications in Water Resources, 10-12 June, New York, Reston, VA, USA, 1294–1302.
Geem, Z. W. 2006. Parameter estimation for the nonlinear Muskingum model using the BFGS technigue. Journal of Irrigation and Drainage Engineering, 5: 474-478.
Gill, M. A. 1978. Flood routing by Muskingum method. Journal of Hydrology, 36: 353-363.
Karahan, H., G. Gurarslan., A.M. ASCE and Z.W. Geem. 2013. Parameter Estimation of the Nonlinear Muskingum Flood-Routing Model Using a Hybrid Harmony Search Algorithm. Journal of Hydrologic Engineering, 18: 352–360.
Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. 2019. Harris hawks optimization: Algorithm and applications. Future generation computer systems, 97, 849-872.‏
Kim J. H., Z. W. Geem and E. S. Kim. 2001. Parameter estimation of the nonlinear Muskingum model using harmony search. Journal of the American Water Resources Association, 37:1131-1138.
Khalifeh, S., Esmaili, K., Khodashenas, S., and Akbarifard, S. 2020. Data on Optimization of the Non-linear Muskingum Flood Routing in Kardeh River Using GOA Algorithm. Journal of Data in Brief, Volume 30, https://doi.org/10.1016/j.dib.2020.105398.
McCarthy, G. T. 1938. The unit hydrograph and flood routing. Proc. Conf. of North Atlantic Division, U.S. Army Corps of Engineers, Washington, DC.
Mohan, S. 1997. Parameter estimation of nonlinear Muskingum models using genetic algorithm. J. Hydraulic. Eng, 123: 137–142.
Premual, M. and K.G. RangaRaju. 1998. Variable – parameter stage – hydrograph routing method: I Theory. Journal of Hydrologic Engineering, ASCE, 3: 109-114.
Wilson, E. M. 1974. Engineering hydrology, MacMillan Education, Hampshire, United Kingdom.
Zervoudakis, K. and Tsafarakis, S., 2020. A mayfly optimization algorithm. Computers & Industrial Engineering, 145, p.106559.
Gao, Z.M., Zhao, J., Li, S.R. and Hu, Y.R., 2020, December. The improved mayfly optimization algorithm with Opposition based learning rules. In Journal of Physics: Conference Series (Vol. 1693, No. 1, p. 012117). IOP Publishing.
 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار