Compression of Genetic Algorithm and Particle Swarm Algorithm models for Optimizing Coefficients of Sediment Rating Curve in estimation of Suspended Sediment in Sistan River ;;Case Study Kohak station.

Document Type : Original Article

Authors

1 Assistant Professor in Department of Water and Soil, University of Zabol, Zabol, Iran

2 M.Sc. Student. Dept of Water Eng., Faculty of Water and Soil., University of Zabol

Abstract

Estimation of sediment concentration in rivers is very important for water resource projects planning and managements. Various models have been developed so far to identify the relation between discharge and sediment load. One of the most common methods for estimating sediment of rivers is sediment rating curve. For better estimation of the amount of sediment based on the sediment curve rating equation, it is possible to optimize its coefficients. One of the methods used for optimizing the coefficients of the sediment curve rating equation is taking advantage of meta-heuristic algorithms. Nowadays, optimization algorithms are used regularly for solving complex and non-linear problem. The main objective of this research is the use of genetic algorithms and particle swarm to optimize the relationship between discharge and sediment discharge in Kohak station on the Sistan River and comparison the results of these models with sediment rating curve. For the calculation of sediment discharge by the models initially necessary statistics and information including flow discharge and sediment concentrations have been measured since 1981-2011 in the stations are collected. Genetic Algorithm(GA) and Particle Swarm Algorithm(PSO) models were coded in MATLAB. After the models were trained with 70% to 30% of the data at both stations were tested. Evaluation parameters efficiency such as coefficient of determination (R2), root mean square error (RMSE) and Nash-Sutcliffe coefficients (CE) are used in evaluating the models. The results showed that the genetic algorithm with 33484.47 values ​​at Kohak station has lowest root mean square error in all models. After genetic algorithm, Particle swarm algorithm with 34754.31 values has lowest values ​​of the objective function.
 

Keywords

References

منابع :
آذرافزا، ه.، ح. رضایی، ج. بهمنش و س. بشارت. 1391. مقایسه نتایج بکارگیری الگوریتم‌های PSO، GA، SA، در بهینه‌سازی سیستم‌های تک مخزنه (مطالعه موردی: سد شهر چای، ارومیه). نشریه آب وخاک (علوم و صنایع کشاورزی)، جلد 26، شماره 5، ص 1101- 1108.
اکبرپور، م. ج. و ج. موسوی.1385 . نخبه‌گزینی از جواب‌های شدنی الگوریتم ژنتیک در بهینه‌سازی بهره‌برداری از سیستم‌های چند مخزنه، دومین کنفرانس مدیریت منابع آب، دانشگاه صنعتی اصفهان، اصفهان.
بابایی، ا.، ح. پهلوانی و ع. سلاجقه. 1389. ارزیابی کارایی مدل شبکه عصبی مصنوعی در تخمین هوشمند رسوب معلق روزانه در چند ایستگاه هیدرومتری منتخب در استان گلستان، مجله علوم و مهندسی آبخیزداری ایران،جلد 13، شماره4، ص 61-64.
بیضایی، م.، م. عرفانیان، ه. عبقری و ع. اسمعلی. 1390. ارزیابی روش­های منحنی سنجه رسوب در برآورد بار معلق رودخانه­های آذربایجان شرقی. هفتمین همایش ملی علوم و مهندسی آبخیز داری. 7 و 8 اردیبهشت 1390.
عبدی دهکردی، م.، م. مفتاح هلقی، ا. ا. دهقانی و م. حسام.1390. کاربرد الگوریتم ژنتیک در بهینه­سازی ضرائب معادله سنجه رسوب. پنجمین کنفرانس سراسری آبخیز داری و مدیریت منابع آب و خاک. 9 و 10 اسفند ماه 1390.
دهقانی، ا. ا.، م. ا. زنگانه، ا. مساعدی و ن. کوهستانی. 1388.مقایسه تخمین بارمعلق به دو روش منحنی سنجه رسوب وشبکه عصبی مصنوعی (مطالعه موردی رودخانه دوغ استان گلستان). مجله علوم کشاورزی و منابع طبیعی ،جلد شانزدهم، ویژه نامه1-الف.
نژادنادری، م.، م. ر. حسامی کرمانی و س. هاشمی نسب. 1390.کاربرد الگوریتم‌ها در تعیین سیاست بهره‌برداری بهینه از مخزن سد کلان ملایر. اولین کنفرانس ملی سد و نیروگاه‌های برقابی. اولین کنفرانس ملی سد و نیروگاه‌های برقابی. دانشگاه علم و صنعت ایران. تهران.
Altunkaynak.A . 2009. Sediment load prediction by genetic algorithms.  J. Adv.Engineering Software.40: 928-934.
Ebrahimi, H., E. Jabbari and M. Ghasemi. 2013. Application of Honey-Bees Mating Optimization on Estimation of Suspended Sediment Concentration. World Applied Sciences Journal 22 (11): 1630-1638.
Goldberg, D. 1989. Genetic algorithms in search optimization and machine learning.Journal of Hydrology Research. 8:354-361.
Nash, J. E., J. V. Sutcliffe .1970. River flow forecasting through conceptual models, Part I - A discussion of principles, J. Hydrol. 10: 282–290.
Mohammad Reza pour, O., T. SH. Lee and A. A. Dehghani. 2011. Genetic algorithm model for the relation between flow discharge and suspended sediment load (Gorgan River in Iran). Electronic Journal of Geotechnical Engineering.16: 539-555.
Shi, Y. and R. Eberhart. 1998. Parameter selection in particle Swarm Optimization. In: Porto VW, Saravanan N, Waagen D and Eiben AE (eds). Evolutionary Programming. 7:611-616.

Files

Share

How to cite

Statistics