تخمین پارامترهای بهینه مدل روندیابی غیرخطی ماسکینگام با استفاده از الگوریتم مورچگان پیوسته

نوع مقاله: مقاله پژوهشی

نویسندگان

1 منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند

2 گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند

چکیده

بهینه­سازی پارامترهای مدل غیرخطی ماسکینگام به روش آزمون و خطا و روش­های عددی انجام می­شود. این روش­ها دشوار و وقت­گیر می­باشد اما الگوریتم­های فرا ابتکاری با سرعت بالاتر و به‌صورت دقیق­تر می­توانند تخمینی مناسب از این پارامترها را به دست دهند. در این پژوهش کارایی الگوریتم مورچگان پیوسته (ACOr)، در تخمین پارامترهای بهینه مدل روندیابی غیرخطی ماسکینگام مورد بررسی قرار گرفته است و برای ارزیابی آن از معیار مجموع مربعات خطا استفاده شده است. نتایج این تحقیق نشان داد که الگوریتم مورچگان پیوسته در مورد سیل ویلسون با 7679/36 SSE = و در مورد سیلاب رودخانه وی با 14/37944 SSE = کارایی مناسبی داشته است. پس اطمینان از کارایی الگوریتم ACOr، مدل روندیابی غیرخطی ماسکینگام برای رودخانه کارون نیز مورد بررسی قرار گرفت و مقدار SSE آن برابر 735/144691 بوده که در مقایسه با الگوریتم کلونی زنبور عسل (4/177161SSE=) کارایی بالاتری را نشان داد. همچنین در این تحقیق روندیابی این سه سیلاب با روش کان­وکس نیز مورد بررسی قرار گرفت که در مورد سیلاب ویلسون و سیلاب رودخانه وی این روش عملکرد مناسبی نداشته اما در روندیابی سیلاب رودخانه کارون عملکرد مناسبی را نسبت به روش ماسکینگام غیرخطی نشان داده است. این مدل تخمین مناسبی از دبی اوج به دست آورده است، که این موضوع از نظر اجرای سیستم­های هشدار سیل بسیار اهمیت دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Estimation of Optimal Parameters of the Nonlinear Muskingum Model Using Continuous Ant Colony Algorithm

نویسندگان [English]

  • Mohammadjavad Zeinali 1
  • Mohsen Pourreza-Bilondi 2
1 Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran.
2 Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran
چکیده [English]

Abstract
Optimizing parameters of nonlinear Muskingum model done by the method of try and error and numerical. These methods are difficult and time-consuming. But Meta-Heuristic Algorithms can indicate the good estimation of these parameters with high-speed and more precision. In this study investigated performance of continuous ant colony algorithm (ACOr) for estimation of optimal parameters of the nonlinear Muskingum routing model and we used sum of squared error criteria to evaluate that. The results indicated that continuous ant colony algorithm has good efficiency on Wilson flood and Wye River flood with SSE=36.7679 and 37944.14. After ensuring the efficiency of ACOr algorithm, we used nonlinear Muskingum routing model investigated for Karoon River and the value of SSE was equal to 144691.735 that indicated higher performance in comparing to bee colony algorithm (SEE = 177161.4). Also, in this study the three flood routing have investigated by the convex method. This method didn’t has good performance on Wilson flood and Wye River flood but in Karoon River flood routing indicated better performance than nonlinear Muskingum methods. This model provided good estimation of peak of flow discharge, that this issue is very important for Implementation of flood warning systems.
 

کلیدواژه‌ها [English]

  • Keywords: Convex
  • Karoon
  • Muskingum
  • optimization
  • Wilson Flood
  • Wye River

منابع

داریان، ع. ،ر. و م. ا. مرادی. 1389. الگوریتم مورچگان پیوسته در بهینه­سازی بهره­برداری از سیستم­های چند مخزنی، مطالعه موردی: مخازن حوضه کرخه. هشتمین کنگره بین‌المللی مهندسی عمران. دانشگاه شیراز. شیراز.

علیزاده، ا. 1385. اصول هیدرولوژی کاربردی. انتشارات دانشگاه امام رضا (ع). مشهد. 620-605.

Box, G. E. P. and M. E. Muller. 1958. A note on the generation of random normal deviates. Annals of Math. Statistics. 29(2): 610-611.

Chu, H. J. and L. C. Chang. 2009. Applying particle swarm optimization to parameter estimation of the nonlinear Muskingum model. J. Hydrologic Engineering 14: 1024-1027.

Das, A. 2004. Parameter estimation of Muskingum models. Journal of Irrigation and Drain Engineering. 130(2):140–147.

Geem, Z. W. 2006. Parameter estimation for the nonlinear Muskingum model using the BFGS technique. Journal of Irrigation and Drain Engineering. 132(5):474–478.

Geem, Z. W. 2011. Parameter estimation of the nonlinear Muskingum model using parameter-setting-free harmony search algorithm. Journal of Hydrology Engineering. 16(8):684–688.

Gill, M. A. 1978. Flood routing by Muskingum method. Journal of Hydrology. 36:353-363.

Karahan, H., G. Gurarslan and Z. W. Geem. 2012. Parameter estimation of the nonlinear Muskingum flood-routing model using a hybrid harmony search algorithm. Journal of Hydrologic Engineering. 18:352-360.

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(5):1131–1138.

Luo, J., and J. Xie. 2010. Parameter estimation for the nonlinear Muskingum model based on immune clonal selection algorithm. Journal of Hydrologic Engineering. 15(10):844–851.

Mohan S. 1997. Parameter Estimation of Nonlinear Muskingum Models using Genetic Algorithm, Journal of Hydraulic Engineering. ASCE. 123:137-142.

Socha, K. and M. Dorigo. 2008. Ant colony optimization for continuous domains. European Journal of Operational Research. 185(3):1155-1173.

Tung Y. K. 1985. River Flood Routing by Nonlinear Muskingum Method. Hydraulic Engineering. ASCE. 111:1447-1460.

Vafakhah, M., A. Dastorani and A. Moghadam Nia. 2015. Optimal Parameter Estimation for Nonlinear Muskingum Model based on Artificial Bee Colony Algorithm. ECOPERSIA. 3(1):847-865.

Xu, D. M., L. Qiu and S. Y. Chen. 2011. Estimation of nonlinear Muskingum model parameter using differential evolution. Journal of Hydrologic Engineering 17:348-353.

Yoon, J. W. and G. Padmanabhan. 1993. Parameter-estimation of linear and nonlinear Muskingum models. Journal of Water Resources Planning and Management. 119(5):600–610.