تخمین مقادیر بار رسوب معلق رودخانه با استفاده از روش‌های هوش مصنوعی (مطالعه موردی رودخانه میمه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار دانشکده فنی و مهندسی، دانشگاه ایلام

2 کارشناس ارشد آبیاری و زهکشی شرکت آب منطقه ای ایلام

3 گروه آب و خاک، دانشگاه ایلام

10.22125/iwe.2023.173310

چکیده

استفاده از روش‌های مناسب برای تخمین بار رسوب از دیر باز مورد توجه متخصصین مسائل رودخانه­ای قرار گرفته است. در این تحقیق با استفاده از دو روش­ هوش مصنوعی شامل برنامه­ریزی ژنتیک (GP) مبتنی بر گراف و روش توابع پایه شعاعی (RBF) و استفاده از آمار و اطلاعات 12 ساله چهار ایستگاه هیدرومتری گوراب، سرکمر، جاده دهلران و بیات بر روی رودخانه میمه در استان ایلام، بار رسوب معلق رودخانه تخمین زده شد. در این تحقیق، پارامترهای شماره ماه و دبی رودخانه، به عنوان پارامتر ورودی و بار رسوب رودخانه، به عنوان پارامتر خروجی، بکار گرفته شد. در معادلات به دست آمده از روش برنامه­ریزی ژنتیک (GP)، بیش­ترین همبستگی به­دست آمده مربوط به ایستگاه هیدرومتری گوراب با 18/99 درصد و کم­ترین همبستگی به­دست آمده مربوط به داده­های تجمیع شده چهار ایستگاه هیدرومتری با 17/92 درصد می­باشد. در روش توابع پایه شعاعی (RBF)، حداکثر همبستگی داده­های آموزشی و آزمایشی مربوط به ایستگاه بیات به ترتیب با 100 و 20/94  درصد حاصل شد. نتایج نشان‌دهنده دقت بالای تخمین بار رسوب در ایستگا­ه­های هیدرومتری مورد مطالعه می­باشد. نتایج نشان داد روش توابع پایه شعاعی (RBF) در تخمین بار رسوب معلق رودخانه میمه، عملکرد بهتری نسبت به روش برنامه­ریزی ژنتیک (GP) داشته است.
 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Estimation of Suspended Sediment Load Values of the River Using Artificial Intelligence Methods (Case study of Maymeh River)

نویسندگان [English]

  • مهدی Karami 1
  • Mehdi Karami 2
  • ebrahim darvishi 3
1 Ilam university, faculty of engineering, computer department
2 M.Sc.irrigation and drainage in Ilam Regional Water Company. Iran
3
چکیده [English]

The use of appropriate methods for estimating sediment load has long been considered by experts in river problems. In this study, The suspended sediment load of the river was estimated using two artificial intelligence methods, including genetic programming (GP) based on graph and radial base functions (RBF) method. The implementations use data from 12-year statistics and information from four hydrometric stations of Gourab, Sarkmar, Dehloran, and Bayat roads on Meymeh River in Ilam province. In this study, the parameters of moon number and river flow were used as inlet parameters and river sediment load as outlet parameters. In the equations obtained from genetic programming method (GP), the highest correlation In the equations obtained from genetic programming (GP) method, the highest correlation obtained was related to Gorab hydrometric station with 99.18% and the lowest correlation was obtained related to the aggregated data of four hydrometric stations with 92.17%. In the radial baseline functions (RBF) method, the maximum correlation between educational and experimental data related to Bayat station was obtained with 100% and 94.20%, respectively, and the results. The results showed that radial basis functions (RBF) had better performance than genetic programming (GP) in estimating the suspended sediment load of Meymeh River
 

کلیدواژه‌ها [English]

  • artificial intelligence
  • genetic programming
  • Meymeh River
  • Radial basis function
  • Sediment load

مراجع

داننده مهر، ع.، علیایی، ا. و قربانی، م، ع. 1389. پیش­بینی بار معلق رودخانه­ها ­بر مبنای دبی جریان با استفاده از برنامه­ریزی ژنتیک. مجله پژوهش­های آبخیزداری، شماره 88، ص 54-44.
دستورانی، م.، عظیمی‌فشی، خ.، طالبی، ع. و اختصاری، م. 1391. برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی ( مطالعه موردی حوزه آبخیز جامیشان استان کرمانشاه). پژوهشنامه مدیریت حوزه آبخیز، سال سوم، شماره 6. ص 74-61
معاونت برنامه‌ریزی و نظارت راهبردی رئیس جمهور، 1391. راهنمای محاسبه بار رسوب معلق و بستر رودخانه، نشریه شماره 590.
غلامی، و.، درخشان، ش. و درواری، ز. 1391. بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیه‌سازی آب زیرزمینی در سواحل استان مازندران. مجله پژوهش آب در کشاورزی، دوره 26، شماره 3، ص70-61.
میرسنجری، م.، محمدیاری، ف.، بصیری، ر. و حمیدی پور، ف. 1394.  "مدل‌سازی پارامترهای کیفی EC، SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران)، نشریه انسان و محیط‌زیست، دوره 15، شماره 3،  ص 12-1.
عینلو، ف.، معافی رابری، ع، ملکیان، آ.، قضاوی، ر. و محسنی ساروی، م. 1394. بررسی کیفیت آب زیرزمینی دشت زنجان از نظر استانداردهای شرب با استفاده از رویکرد زمین آمار. مجله جغرافیا و برنامه‌ریزی محیطی، سال 27، شماره 2، ص 16-1.
 
Aytek, A. and Kisi, o., 2008. A genetic programming approach to suspended sediment modelling. Journal of hydrology, 351(3-4): 288-298.
HRNİJA, B., Mehr, A. D. and SEFİK, B. 2019. Genetic programming for turbidity prediction: hourly and monthly scenarios. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi 25.8 (2019): 992-997.
Bi, Y., Xue, B. and Zhang, M. 2019. An evolutionary deep learning approach using genetic programming with convolution operators for image classification. In 2019 IEEE Congress on Evolutionary Computation (CEC) (pp. 3197-3204). IEEE.
Chadalawada, H. M. V. V. Herath, and V. Babovic. 2020. Hydrologically Informed Machine Learning for Rainfall‐Runoff Modeling: A Genetic Programming‐Based Toolkit for Automatic Model Induction. Water Resour. Res., vol. 56, no. 4, Apr. 2020, doi: 10.1029/2019WR026933.
Danandeh Mehr, Ali. Ercan, Kahya. and Cahit, Yerdelen. 2014. Linear genetic programming application for successive-station monthly streamflow prediction. Computers & Geosciences 70 (2014): 63-72.
Evolutionary Deep Learning. 2021. A Genetic Programming Approach to Image Classification. https://ieeexplore.ieee.org/abstract/document/8477933/ (accessed Jun. 21, 2021).
Hameed, M., Sharqi, S. S., Yaseen, Z. M., Afan, H. A., Hussain, A., & Elshafie, A. 2017. Application of artificial intelligence (AI) tEChniques in water quality index prediction: a case study in tropical region, Malaysia. Neural Computing and Applications, 28(1): 893-905.
Hatata, A., El-Gohary, E. H., Abd-Elhamid, H. F., & Said, N. 2021. Application of an artificial neural network for the improvement of agricultural drainage water quality using a submerged biofilter. Environmental Science and Pollution Research, 28(5): 5854-5866.
Haykin, S. 2010. Neural networks and learning machines, 3/E. Pearson Education India.
Hosseini, S.H., Karami, M., Olazar, M., Safabakhsh, R. and Rahmati, M., 2014. Prediction of the minimum spouting velocity by genetic programming approach. Industrial & Engineering Chemistry Research, 53(32): 12639-12643.
Huiqun, M, and Liu, L. 2008. Water quality assessment using artificial neural network. International Conference on Computer Science and Software Engineering. Vol. 1. IEEE, 2008.
Karami, M. 2013.  Development of cellular processing algorithms using genetic programming in machine vision application. Amirkabir University of Technology, 2013.
Koza, J, R.1992. Genetic programming: on the programming of computers by means of natural selECtion, vol. 1. MIT press, 1992.
Koza, J, R.1994. Genetic programming as a means for programming computers by natural selECtion. Stat. Comput., 4(2): 87–112, 1994.
Liang, J., Xue, Y. and Wang, J., 2020. Genetic programming based feature construction methods for foreground object segmentation. Engineering Applications of Artificial Intelligence, 89, p.103334.
Melesse, A.M., S. Ahmad, M.E. McClain, X. Wang and Y.H. Lim. 2011. Suspended sediment load prediction of river systems: An artificial neural network approach. Agricultural Water Management, 98(5): 855-866.
Mustafa, H. M., MustapHa, A., Hayder, G., & Salisu, A. 2021. Applications of IoT and Artificial Intelligence in Water Quality Monitoring and Prediction: A Review. In 2021 6th International Conference on Inventive Computation TEChnologies (ICICT): 968-975 IEEE.
Rezaei, K., Pradhan, B., Vadiati, M. and Nadiri, A.A., 2021. Suspended sediment load prediction using artificial intelligence techniques: comparison between four state-of-the-art artificial neural network techniques. Arabian Journal of Geosciences, 14(3): 1-13.
Suganuma, M., Shirakawa, S. and Nagao, T., 2017, July. A genetic programming approach to designing convolutional neural network architECtures. In Proceedings of the genetic and evolutionary computation conference :497-504
Wright, G. B. (2003). Radial basis function interpolation: numerical and analytical developments. University of Colorado at Boulder
Zhu, Y.M., Lu, X.X. and Zhou, Y., 2007. Suspended sediment flux modeling with artificial neural network: an example of the Longchuanjiang River in the Upper Yangtze Catchment, China. Geomorphology, 84(1-2): 111-125.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار