ارزیابی عملکرد روش های شبیه سازی-بهینه سازی ANN-WOA و ANN-BWO در پیش بینی رواناب روزانه (مطالعه موردی: ایستگاه جلوگیر در حوضه آبریز کرخه)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

2 دانشجوی دکتری عمران، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران

3 عضو هیئت علمی دانشگاه ارومیه

4 گروه مهندسی آب، مرکز آموزش عالی هیدروانفورماتیک، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

چکیده

مدل‍سازی بارش-رواناب روزانه به‍دلیل تعدد عوامل مؤثر آن، یکی از پیچیدگی‌های علم هیدرولوژی است. ترکیب‌های مختلفی از عوامل بارش-رواناب، طی دوره آماری 10 ساله (1390-1400) به‍عنوان ورودی برای تخمین رواناب در مقیاس زمانی روزانه مورد ارزیابی قرار گرفت. از 80 درصد داده‌ها به‍عنوان آموزش (2920 نمونه) و 20 درصد داده‌ها به‍عنوان آزمون (730 نمونه) استفاده گردید. عوامل ورودی شامل بارش (P) و دبی (Q) که برای بارش تا شش تأخیر و برای دبی تا چهار تأخیر استفاده گردید. از ضریب همبستگی پیرسون برای ارتباط بین متغیرهای ورودی و خروجی استفاده گردید. بر این اساس ترکیب مدل شماره یک شامل صرفا بارش و دبی، دارای بیشترین همبستگی (805/0) و ترکیب سیزدهم (بارش و بارش از یک تا شش روز تأخیر و دبی از یک تا چهار روز تأخیر ) دارای کمترین همبستگی (109/0) بوده است. به‍منظور مدل‍سازی از مدل‌های شبکه عصبی مصنوعی- الگوریتم بهینه‍سازی نهنگ (ANN-WOA)، شبکه عصبی مصنوعی-الگوریتم بهینه‍سازی عنکبوت سیاه (ANN-BWO) و مدل شبکه عصبی-موجک کلاه مکزیکی (WANN) استفاده گردید. همچنین برای ارزیابی مدل از شاخص‌های ریشه میانگین مربعات خطا (RMSE)، میانگین قدرمطلق خطا (MAE)، ضریب بهره‍وری نش- ساتکلیف (NSE) و ضریب نا اریبی (PBIAS) استفاده گردید. یافته‌های پژوهش نشان می‌دهد که کلیه مدل‌های فوق عملکرد بسیار خوبی در پیش‍بینی فرایند بارش-رواناب از خود نشان دادند. در این بین مدل ANN-BWO دارای بهترین عملکرد در پیش‍بینی بوده است. همچنین مدل‌های ANN-WOAو WANN و ANN-BWO به‍ترتیب 4/32 و 6/27 و 14/22 درصد دقت مدل منفرد شبکه عصبی را بهبود بخشیدند.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Performance evaluation of ANN-WOA and ANN-BWO simulation-optimization methods in predicting daily runoff (case study: Jelogir station in Karkheh watershed)

نویسندگان [English]

  • Ahmad sharafati 1
  • ادریس Merufinia 2
  • Hirad Abghari 3
  • Yousef Hassanzadeh 4
1 Assistant Professor, Department of Civil Engineering, Science and Research Branch, Islamic Azad University, Tehran, Iran
2 Department of Civil Engineering, Science and Research Branch, Islamic Azad University,Tehran, Iran
3 Department of Range and Watershed Management, Urmia University, Urmia, Iran
4 Department of Water Engineering, Center of Excellence in Hydroinformatics, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran
چکیده [English]

Introduction

Rainfall-runoff modeling is one of the methods of estimating runoff and a suitable tool for studying hydrological processes, evaluating water resources and watershed management. But the complexity and non-linear nature of the rainfall-runoff process and the unknown effect of the factors on each other and finally on the outflow of the basin make modeling more difficult.

Results and Discusspn

In this research, the correlation coefficient was used to find the relationship between the input and output variables. The results of the research show that the flow rate with a one-day delay had the highest correlation with the output flow rate. Also, after choosing the best combination of the input model from the artificial neural network to predict the process Precipitation-runoff was used and black spider and whale algorithms were used to optimize the weighting and bias coefficients. The final results showed that all the models had a very good performance in forecasting and were able to predict the result of the model in a single mode. Finally, a box diagram and time series and data dispersion were used.

Conclusions

According to the RMSE criteria, it can be said that the ANN-WOA model has the best performance in predicting the rainfall-runoff process. Also, all the mentioned models showed a very good performance in the forecasting process. Based on this, the ANN-WOA model has been able to improve the accuracy of a single model by 32.4%, the ANN-BWO model by 27.6% and the WANN network by 22.4%.

کلیدواژه‌ها [English]

  • Black widow algorithm
  • Rainfall-Runoff prediction
  • correlation coificeint
  • Wavelet

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 26 شهریور 1402
  • تاریخ دریافت: 10 مهر 1401
  • تاریخ بازنگری: 25 مرداد 1402
  • تاریخ پذیرش: 26 شهریور 1402
  • تاریخ انتشار: 26 شهریور 1402