بهینه سازی پارامترهای غیرخطی مدل ماسکینگام NL5با الگوریتم SHO

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری علوم ومهندسی آب گرایش سازه های آبی، گروه علوم ومهندسی آب، دانشگاه فردوسی مشهد.

2 دانشجوی دکتری علوم و مهندسی آب گرایش سازه های آبی، گروه علوم و مهندسی آب، دانشگاه بوعلی سینا ، همدان.

3 دانشیار و عضو هیئت علمی، گروه علوم ومهندسی آب، دانشگاه فردوسی مشهد

4 استاد و عضو هیئت علمی، گروه علوم ومهندسی آب، دانشگاه فردوسی مشهد.

چکیده

در این پژوهش، الگوریتم کفتار خالدار(SHO) به‌عنوان الگوریتمی مبتنی بر رفتار کفتارهای نوع خالدار برای اولین بار در بهینه‏سازی پارامترهای مدل غیرخطی ماسکینگام برای روندیابی سیلاب استفاده‌شده است. برای بررسی کارایی این الگوریتم، در مدل‌های ماسکینگام غیرخطی NL3 و مدل توسعه‌یافته NL5، مطالعۀ موردی سیل ویلسون برای صحت­سنجی و هم­چنین یک سیل تاریخی از منطقۀ کارده به‌عنوان مطالعه موردی به‌منظور روندیابی سیلاب و محاسبۀ پارامترهای مدل ماسکینگام انتخاب شد. برای ارزیابی مقدار خطای آماری بین دبی‏های روندیابی­شده و مشاهداتی از شاخص‌های آماری SSQ و MSE به‌عنوان تابع هدف استفاده‌شده است. براساس نتایج به‏دست‏آمده از روندیابی سیل ویلسون با استفاده از الگوریتم SHO، برای مدل NL3 مقادیر توابع هدف به­ترتیب برابر 778/128و 852/5 مترمکعب بر ثانیه و برای  مدل NL5 مقادیر توابع هدف به­ترتیب 776/21و262/0 است. نتایج روندیابی مطالعه موردی، سیل کارده با الگوریتم مذکور نیز نشان داد مجموع مربعات انحرافات روندیابی­شده برای مدل NL3 به­ترتیب برابر 552/4 و برای مدل  NL5 برابر 261/1 می‌باشد. در تحقیق حاضر، ابتدا در مدل NL3 عملکرد الگوریتم کفتار خالدار با الگوریتم فرا کاوشی دیگر نظیر الگوریتم ژنتیک و الگوریتم چرخه آب مقایسه و با توجه به عملکرد بهتر این الگوریتم، در مدل NL5 مورد بررسی قرار گرفت. نتایج شاخص‌های آماری بیان‌کنندۀ برتری مدل NL5 نسبت به مدل NL3 و برتری الگوریتم SHO نسبت به الگوریتم‌های مقایسه­شده دیگر برای محاسبۀ پارامترهای غیرخطی مدل ماسکینگام و پیش‏بینی دقیق سیلاب دارد. بنابراین، از دستاوردهای پژوهش حاضر می‏توان به معرفی مدل ماسکینگام غیرخطی NL5 بر مبنای الگوریتم SHO برای حل مسائل روندیابی سیلاب اشاره داشت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Optimization of Nonlinear Parameters of Muskingum NL5 model With SHO algorithm

نویسندگان [English]

  • Saeid Khalifeh 1
  • Seyyed Alireza Esmaili 2
  • Kazem Esmaili 3
  • Saeed Reza Khodashenas 4
1 Ph. D. Candidate in Water Science and Engineering, Ferdowsi University of Mashhad, Iran.
2 PhD Student in Water Sciences and Engineering- Water Structures, Bu-Ali Sina University, Hamedan, Iran.
3 Assistant, Associate Professor in Water Science and Engineering Department and Member of Water and Environmental Research Institute, Ferdowsi University of Mashhad, Iran
4 Professor in Water Science and Engineering Department and Member of Water and Environmental Research Institute Ferdowsi University of Mashhad, Iran.
چکیده [English]

The Muskingum method was first developed by U.S. Army engineers to study flood control in the Muskingum River Basin in Ohio. To evaluate the performance of the SHO algorithm, the results of its implementation have been compared with other basic algorithms such as GA and ICA. The coding of SHO, GA and ICA algorithms was done in the MATLAB (R2018b) software programming section. The results showed that the statistical parameters obtained for the river studied by SHO algorithm in two nonlinear models of Muskingum indicate the proper performance of these algorithms in estimating the optimal values ​​of nonlinear masking modeling parameters in flood detection compared to other algorithms.

کلیدواژه‌ها [English]

  • Flood estimation
  • algorithm comparison
  • optimization
  • NL5
  • Ahmed, A. N., Othman, F. B., Afan, H. A., Ibrahim, R. K., Fai, C. M., Hossain, M. S., Ehtteram, M., and Elshafie, A., 2019. Machine learning methods for better water quality prediction. Journal of Hydrology, 578.pp. 124084.

 

  • Akbarifard, S., Madadi, M. R., and Aliannejad, M., 2017. Parameters estimation of the nonlinear Muskingum flood-routing model using wolf search algorithm (WSA) (Case Study: Kardeh River). Irrigation and Drainage Structures Engineering Research. 17.(67),pp. 95-112.

 

  • Barati, R., Akbari, G., and Fadafan, M. 2010. Presentation an algorithm for estimating parameters of nonlinear Muskingum method. 9th Conference of Iran Hydraulic, Tehran (in Persian).

 

  • 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, Omid Bozorg-Haddad, Maryam Pazoki, Hamid-Reza Asgari, Mehran Parsa, and Hugo a. Loáiciga. Journal of Irrigation and Drainage Engineering 144.(1).pp. 7001-7021.

 

  • Bozorg Haddad, O., Hamedi, F., Orouji, H., Pazoki, M., Loáiciga, H.A., 2015. A re-parameterized and improved nonlinear muskingum model for flood routing. Water Resources Management 29.(9),pp. 3419- 3440.

 

  • Cheng, M.y., and Prayogo, D., 2014. Symbiotic organisms search: A new metaheuristic optimization algorithm. Journal of Computers & Structures. 139.pp. 98-112.

 

  • Chow, V. T. 1973. Open Channel Hydraulics. 3rd Ed. McGraw Hill Book Company. New York. Inc.

 

  • Chu, H.J., and Chang, L.C., 2009. Applying particle swarm optimization to parameter estimation of the nonlinear Muskingum model. Journal of Hydrologic Engineering, 14(9). 1024-1027.

 

  • Cunge, J.A., Holly, F.M., and Verwey, A., 1980. Practical aspects of computational river hydraulics. Pitman Publishing Limited, London.

 

  • Dhiman, G., and Kumar, V., 2017. Spotted hyena optimizer: a novel bio-inspired based metaheuristic technique for engineering applications. Advances in Engineering Software, 114(Supplement C). 48-70.

 

  • Easa, SM ., 2013. New and improved four parameter nonlinear Muskingum model. Proceedings of the Institution of Civil Engineering-Water Management 167(5), pp.288–298.

 

  • Farzin, S., Singh, V.P., Karami, H., Farahani, N., Ehteram, M., Kisi, O., Allawi, M.F., Mohd, N.S. and El-Shafie, A., 2018. Flood routing in river reaches using a three-parameter Muskingum model coupled with an improved bat algorithm. Water, 10(9), pp.11-30.

 

  • Geem, Z.W., 2006. Parameter estimation for the nonlinear Muskingum model using the BFGS technigue. Journal of Irrigation and Drainage Engineering, 5, pp.474-478.

 

  • Ghaleni, M., Bozorg Haddad, O., and Ebrahimi, K., 2010. Optimization nonlinear Muskingum model’s parameters by simulated optimization Nord algorithm. Journal of Water and Soil, 24.pp.908-919.(in Persian).

 

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

.

  • Karahan, H., Gurarslan, G., and Geem, Z.W., 2013. Parameter estimation of the nonlinear Muskingum flood-routing model using a hybrid harmony search algorithm. Journal of Hydrologic Engineering, 18(3), pp.352-360.

 

  • Khalifeh, S., Esmaili, K., Khodashenas, S., and Akbarifard, S., 2020a. Data on optimization of the non-linear Muskingum flood routing in Kardeh river using Goa algorithm. Data in Brief, 30, pp.105398-105405
  • Khalifeh, S., Esmaili, S. A., Esmaili, K., and Khodashenas, S., 2020b. Comparison application of the symbiotic organisms search algorithm with meta heuristic algorithms in flood routing model. Journal of Water and Soil, 34(2), pp.365-378 (in Persian).

 

  • Kim J. H., Geem. Z.W., and Kim. E.S., 2001. Parameter estimation of the nonlinear Muskingum model using harmony search. Journal of the American Water Resources Association, 37, pp.1131-1138.

 

  • Mohan, S., 1997. Parameter estimation of nonlinear Muskingum models using genetic algorithm. Journal of Hydraulic Engineering, 123.pp.137–142.

 

  • Premual, M. and RangaRaju, K.G., 1998. Variable – parameter stage – hydrograph routing method: I Theory. Journal of Hydrologic Engineering, 3(2), pp.115-121.

 

  • Samani, H., and Shamsipour, G., 2003. Flood routing by nonlinear optimization. Journal of Hydraulic Research, 42, pp.55-59 (in Persian).

 

  • Wilson, E. M., 1974. Engineering hydrology, Springer.

 

  • Vafakhah, M., Dastorani, A., and Moghaddam Nia, A., 2005. Optimal Parameter Estimation for Nonlinear Muskingum Model based on Artificial Bee Colony Algorithm. ECOPERSIA, 3(1), pp.847-865.

 

  • Xu, D. M., Qiu, L., and Chen, S.Y., 2011. Estimation of nonlinear Muskingum model parameter using differential evolution. Journal of Hydrologic Engineering, 17(2), pp.348-353