بهینه‌سازی ضرایب معادله سنجه رسوب با استفاده از الگوریتم ژنتیک (مطالعه موردی: ایستگاه‌های قزاقلی و باغ‌عباسی)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه مرتع و آبخیزداری، دانشگاه فردوسی

2 گروه مرتع و آبخیزداری، دانشگاه فردوسی مشهد، مشهد، ایران،

3 دانشگاه فردوسی مشهد

چکیده

برآورد صحیح غلظت رسوبات رودخانه‌ها برای برنامه‌ریزی و مدیریت پروژه‌های منابع آب اهمیت دارد.روش­های مختلفیبرایتعیینارتباطبیندبیجریانومقداررسوبتوسعهیافته است.منحنی سنجهرسوب یکیاز متداول‌ترینروش‌هایبرآوردرسوبمعلقرودخانه‌هامی­باشد که با خطای زیادی همراه است.به­منظورتخمین‌بهترمیزانرسوببا منحنیسنجه،می‌توان ضرایباینمعادلهرابا روش­های هوش مصنوعی بهینه کرد.هدفاینتحقیقاستفادهازالگوریتمژنتیک برایبهینه­سازی ضرایبمعادلهسنجهرسوب رودخانه­های گرگانرود ( ایستگاه قزاقلی) و فریمان( ایستگاه باغ عباسی) می­باشد. بدین منظور، آماردبی جریانوغلظت رسوب معلقبرای سال­های 1388-1350برای ایستگاه قزاقلی و سال­های 1388-1347 برای ایستگاه باغ­عباسی اخذ شد و منحنی­سنجه رسوب با استفاده از 70 درصد داده­ها به عنوان داده­های آموزش به­دست آمد. به منظور  بهینه­سازی ضرایب، مدلالگوریتمژنتیکدر نرم‌افزارMATLAB2017برنامه­نویسیشد.نتایجبه‌دست‌آمدهنشان دادکهمدلالگوریتمژنتیک برای ایستگاه قزاقلی و باغ­عباسی به ترتیب با ضریب نش-­ساتکلیف 5/0، 72/0و ضریب تعیین 5/0 و 89/0 عملکرد بهتری نسبت به منحنی سنجه رسوب داشته است. همچنین الگوریتم ژنتیک برای ایستگاه باغ­عباسی با تعداد نمونه کم از دقت بهتری نسبت به روش منحنی سنجه برخوردار است. نتایج دلالت بر کارایی مناسب الگوریتم ژنتیک در بهینه­سازی رابطه دبی و رسوب به ویژه در ایستگاه­های با داده کم دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Optimizing coefficients of Sediment rating curve equation using Genetic Algorithm (Case study: Ghazaghli and Bagh‌ abbasi stations)

نویسندگان [English]

  • Farzaneh Naseri 1
  • Mahmood Azari 2
  • Mohammad Taghi Dasturani 3
1 , Ferdowsi University of Mashhad/ Range and Watershed
2 Ferdowsi University of Mashhad, Mashhad/ Range and Watershed
3 Mashhad Ferdowsi University
چکیده [English]

Abstract:
The proper estimation of sediment yield of rivers is important for planning and managing water resources. Various methods have been developed to determine the relationship between discharge and sediment concentration. Sediment rating curve is one of the most common methods for estimating the suspended sediment yield in rivers, which is always associated with a large error. In order to improve estimation of sediment yield using sediment rating curve, the equation coefficients can be optimized using artificial intelligence methods. The purpose of this research is to use a genetic algorithm to optimize the Sediment rating equation coefficients for Gorganroud river (Ghazaghli station) and Fariman river (Bagh Abbasi station). With this aim in mind, discharge and suspended sediment concentration data have been acquired for the stations. Sediment rating curve equation was calculated for each station with training data. Then an optimal coefficient of equation was achieved using genetic algorithm model defined in MATLAB 2017 software. The study results showed that the genetic algorithm model for Ghazaghli and Bagh Abbasi stations had a better performance than the sediment rating curve with the Nash-Sutcliff coefficient of 0.5 and 0.72 and coefficient of determination of 0.5 and 0.89, respectively. Also, the genetic algorithm for Bagh Abbasi Station with the limited samples has better accuracy than the sediment rating curve method. The study results indicate a high performance of the genetic algorithm in optimizing the coefficients of Sediment rating curve equation, especially in low data stations.

کلیدواژه‌ها [English]

  • Evolutionary Algorithm
  • optimization
  • Sediment yield
  • Suspended Sediment
  • Sediment rating curve

امام­قلی­زاده، ص. کریمی­دمنه، ر. اژدری، خ. (1395). مقایسه روش­های متداول برآورد بار رسوب معلق رودخانه­ی کرخه با روش برنامه­ریزی بیان ژن. فصلنامه جغرافیا و توسعه. (45). ص 140-121.

 

 

اکبرپور، ا. حامدافتخار، خ. (1385). مقایسه مدل­های شبکه عصبی مصنوعی و رگرسیون در پیش­بینی آورد رسوب درحوزه اهرچای آذربایجان شرقی. اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی. 9 ص.

ادهمی، م. 1391. تجزیه و تحلیل منطقه­ای برآورد رسوب معلق با استفاده از خصوصیات حوضه­ی ودخانه­های گرگانرود و قره­سو. پایان­نامه کارشناسی ارشد. دانشگاه علوم کشاورزی و منابع طبیعی گرگان. دانشکده مرتع و آبخیزداری. 118ص.

امیدواری­نیا، م. (1388). کاربرد الگوریتم ژنتیک در بهینه­سازی پارامترهای ورودی بی­بعد به مدل شبکه­های عصبی مصنوعی جهت پیش­بینی انتقال بار معلق رودخانه­های آبرفتی (مطالعه موردی رودخانه کارون). پایان­نامه کارشناسی ارشد. دانشکده مهندسی علوم آب. دانشگاه شهید چمران اهواز. 138 ص.

برزگری، ف و دستورانی، م ت. (1391). پیش­بینی بار معلق رودخانه با استفاده از مدل­های سری زمانی و شبکه عصبی مصنوعی. نهمین سمینار بین­المللی مهندسی رودخانه. دانشگاه شهید چمران، اهواز.

حیات زاده، م. چزگی، ج. دستورانی، م ت. (1394). ارزیابی برآورد رسوب با استفاده از روش­های منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ­عباس). مجله علوم و فنون کشاورزی و منابع طبیعی. علوم آب و خاک. سال نوزدهم- شماره 72. ص 227-217.

دهقانی، ن. وفاخواه، م. (1392). مقایسه روش­های تخمین رسوب معلق روزانه با استفاده از روش های منحنی سنجه رسوب و شبکه عصبی (مطالعه موردی: ایستگاه قزاقلی، استان گلستان). مجله پژوهش­های حفاظت آب و خاک. ص230-221.

دهقانی، ا ا. زنگنه، م ا. مساعدی، ا. کوهستانی، ن. (1388). مقایسه تخمین بار معلق به دو روش منحنی سنجه رسوب و شبکه عصبی (مطالعه موردی: رودخانه دوغ استان گلستان). مجله علوم کشاورزی و منابع طبیعی. 16 (1).

رجایی، ط و میرباقری، ا. (1388). مدل بار معلق رودخانه­هابا استفاده از شبکه عصبی مصنوعی. نشریه مهندسی عمران، دانشگاه فردوسی مشهد. 21 (1): ص 43-27.

روشنگر، ک. اعلمی، م.ت و وجودی­مهربانی، ف. (1394)، افزایش دقت پیش­بینی بار کل رسوبی با استفاده از الگوریتم­های تکاملی (مظالعه موردی: رودخانه قطورچای). نشریه آب و خاک، 29: (6). ص 1426-1416.

شیخعلی­پور، ز. حسن­پور ف، عظیمی، و. (1394). مقایسه روش­های هوش مصنوعی در برآورد بار معلق رسوب (مطالعه موردی: رودخانه سیستان). نشریه پژوهش­های حفاظت آب و خاک. 22 (2). ص60-41.

طهمورث، م. احمدی، ح. تقوی، ن. عسگری، ح م. (1388). مقایسه دقت مدل­های شبکه عصبی مصنوعی ژئومورفولوژی (GANNs) و رگرسیونی (RM) در برآورد رسوب طالقان. پژوهش­های آبخیزداری (پژوهش و سازندگی). شماره 84. ص 27-20.

طباطبایی، م ر. سلیمانی، ک. حبیب­نژاد روشن، م. کاویان، ع. (1393). برآورد غلظت رسوب معلق روزانه با استفاده از شبکه عصبی مصنوعی و خوشه­بندی داده­ها به روش نگاشت خود سازمان­ ده (مطالعه موردی: ایستگاه هیدرومتری سیرا- رودخانه کرج). پژوهشنامه مدیریت حوزه­آبخیز. سال پنجم-شماره 10. 116-98.

طباطبایی، م ر. (1393). برآورد بار رسوب معلق روزانه با استفاده از روش­های محسبات نرم (شبکه عصبی، نروفازی و الگوریتم ژنتیک) و داد­های آب و هواشناسی، دانشگاه علوم کشاورزی و منابع طبیعی ساری - دانشکده کشاورزی و منابع طبیعی. پایان­نامه دکتری رشته علوم و مهندسی آبخیزداری. 182 ص.

عبدی دهکردی، م. (1391). تخمین هوشمند دبی رسوب بار معلق با استفاده از فن­آوری های نوین. پایان­نامه کارشناسی ارشد. دانشگاه علوم کشاورزی و منابع­طبیعی گرگان. دانشکده مهندسی آب و خاک.. 91 ص.

عبدی دهکردی، م. مفتاح هلقی، م. دهقانی، ا ا. حسام، م. 1390. کاربرد الگوریتم ژنتیک در در بهینه­سازی ضرائب معادله سنجه رسوب. پنجمین کنفرانس سراسری آبخیزداری و مدیریت منابع آب و خاک. کرمان.

کارگریان، س. (1391)، بهینه­سازی روابط دبی-رسوب با استفاده از روش­های اصلاح منحنی سنجه رسوب (مطالعه موردی حوزه­آبخیز سد دز) پایان­نامه کارشناسی ارشد- دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد گروه آبخیزداری. 89 ص.

کیا، ع. عمادی، ع. فضل اولی، ر. (1394). بررسی امکان کاربرد سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در برآورد بار رسوب معلق بابلرود. پژوهشنامه مدیریت حوزه­آبخیز. سال ششم. شماره 11.

محمدرضاپور، ا. حقیقت­جو، پ. زینلی، م ج. (1394). مقایسه الگوریتم ازدحام ذرات و ژنتیک در بهینه­سازی ضرایب معادله منحنی سنجه رسوب در برآورد دبی رسوب معلق رودخانه سیستان (مطالعه موردی: ایستگاه کهک). فصلنامه علمی پژوهشی مهندسی آبیاری و آب. سال ششم. شماره 22. ص 89-76.

مساعدی، ا. سعدالدین، ا. زنگنه، م.ا و فرازجو، ح. (1389)، برآورد دبی رسوبات معلق بر اساس معادله سنجه­رسوب و عوامل موثر برضرایب آن در حوضه آبریز گرگانرود. مجموعه مقالات نخستین کنفرانس ملی پژوهش­های کاربردی منابع آب ایران. شرکت سهامی آب منطقه­ای کرمانشاه، 12ص.

مساعدی، ا.، محمدی، ا، نجفی نژاد، ع،. و یغمایی، ف. 1385. بهینه­سازی روابط دبی جریان و دبی رسوب معلق در ایستگاه­های منتخب حوضه گرگانرود. مجله منابع طبیعی ایران، 59 (2). ص 342-331.

وزارت نیرو، (1391). راهنمای محاسبه بار رسوب معلق و بستر رودخانه، نشریه شماره 590.

یوسفی، م. پورشرعیانی، ر. (1393). برآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی (مطالعه موردی: استان لرستان). پژوهشنامه مدیریت حوزه­آبخیز. سال پنجم. شماره 10. ص 96-85.

Alp, M., & Cigizoglu, H. K. 2007. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. Environmental Modelling & Software, 22 (1), 2-13.

Altunkaynak, A. 2009. Sediment load prediction by genetic algorithms. Advances in Engineering Software, 40 (9):928-934.

Arab Khedri. M. 2005. A study on the suspended sediment yield in river basins of Iran. Iran-Water Resources Research. 1 (2): 51-60

Asselman, N.E.M. 2000. Fitting and interpretation of sediment rating curves. Journal of Hydrology. 23: 4. 228-248.

Abrahart, R.J., See, L.M., Solomatine, D.P., 2008. Practical Hydroinformatics, Computational Intelligence and TechnologicalDevelopments in Water Applications, Springer.

Bezak, N., Mikoš, M., Šraj, M. 2014. Trivariate Frequency Analyses of Peak Discharge, Hydrograph Volume and Suspended Sediment Concentration Data Using Copulas, Water Resour. Manag. 28(8), 2195-2212.

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.

Fleming, G. 1979. Deterministic model in hydrology. IRRIGATION and Drainage paper.32 FAO.Rome, 80p.

Goldberg, D. 1989. Genetic algorithms in search optimization and machine learning. Journal of Hydrology Research. 8:354-361.

Guven, A., & Kişi, Ö. (2011). Daily pan evaporation modeling using linear genetic programming technique. Irrigation science, 29 (2), 135-145.

Holland, J. H. 1975. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence. Ann Arbor, MI: University of Michigan Press.

Jha, S. K., Bombardelli, F. A., 2011. Theoretical/numerical model for the transport of nonuniform suspended sediment in open channels. Adv. Water Resour. 34(5), 577–591.

Kisi, O., Dailr, A. H., Cimen, M., & Shiri, J. 2012. Suspended sediment modeling using genetic programming and soft computing techniques. Journal of Hydrology, 450, 48-58.

 

Nash, J. E., J. V. Sutcliffe .1970. River flow forecasting through conceptual models, Part I - A discussion of principles, J. Hydrol. 10: 282–290.

Shamaei, E., & Kaedi, M. (2016). Suspended sediment concentration estimation by stacking the genetic programming and neuro-fuzzy predictions. Applied Soft Computing, 45: 187-196.

Talebi, A., Mahjoobi, J., Dastorani, M. T., & Moosavi, V. 2016. Estimation of suspended sediment load using regression trees and model trees approaches (Case study: Hyderabad drainage basin in Iran). ISH Journal of Hydraulic Engineering, 1-8.

Zhang, F. X., Wai, O. W., & Jiang, Y. W. (2010). Prediction of sediment transportation in deep bay (Hong Kong) using genetic algorithm. Journal of Hydrodynamics, Ser. B, 22(5), 599-604.

Zhu, Y.M., X.X. Lu and Y. Zhou. 2007. Suspended sediment flux modeling with artificial neural network: An example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84(1): 111-125.

Zounemat-Kermani, M., Kişi, Ö., Adamowski, J., & Ramezani-Charmahineh, A. 2016. Evaluation of data driven models for river suspended sediment concentration modeling. Journal of Hydrology, 535, 457-472.