برآورد میزان بار معلق رسوبات در رودخانه‌ سفیدرود با استفاده از الگوریتم‌‌های فراابتکاری

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران

2 گروه آب،واحد لاهیجان،دانشگاه آزاد اسلامی،لاهیجان،ایران

3 استادیار، گروه کشاورزی، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، لاهیجان، ایران

چکیده

این پژوهش کاربرد تلفیق شبکه عصبی مصنوعی با الگوریتم‌های بهینه‌سازی را به‌منظور برآورد کمی بار معلق رسوبی ایستگاه آستانه رودخانه سفیدرود نشان داد. داده‌های ورودی این شبیه‌سازی شامل دبی جریان و بار رسوب معلق رودخانه‌ مذکور طی دوره آماری 1386 تا 1401 بود. شش مدل شبیه‌سازی نظیر، شبکه عصبی مصنوعی، نسخه‌های ترکیبی آن با مدل‌های ژنتیک، ازدحام ذرات و رقابت استعماری، و همچنین دو مدل یادگیری ماشین شامل، جنگل تصادفی و بردار پشتیبان به‌کار گرفته شد. داده‌ها به‌صورت تصادفی به دو بخش آموزش (70 درصد) و آزمایش (30 درصد) تقسیم شدند، تا کارایی و عملکرد مدل‌ها به‌درستی اعتبارسنجی شود. نتایج نشان داد که مدل ANN-ICA، عملکرد مطلوبی را با کمترین مقدار RMSE (14/4 میلی‌گرم بر لیتر) و ضریب تعیین 86/0 در مرحله آزمایش، بهترین قابلیت تعمیم را در بین مدل‌های بررسی‌شده نشان داد. همچنین مدل ANN-GA با ضریب تعیین 86/0 عملکرد مشابهی داشت. اگرچه مدل جنگل تصادفی در مرحله آموزش بالاترین دقت را نشان داد (R²=0.90 و RMSE برابر با 49/3 میلی‌گرم بر لیتر)، اما کاهش عملکرد آن در مرحله آزمایش (R²=0.83 و RMSE برابر با 6/4 میلی‌گرم بر لیتر) احتمال بیش‌برازش را نشان داد. همچنین، نتایج آزمون ناپارامتری فریدمن وجود اختلاف آماری معنادار بین عملکرد مدل‌ها را تأیید کرد (p<0.05) و آزمون تعقیبی بونفرونی نشان داد که اختلاف معنادار عمدتاً بین مدل پایه ANN و سایر مدل‌های پیشرفته مشاهده شد، درحالی که بین مدل‌های پیشرفته اختلاف آماری معناداری وجود نداشت. تحلیل الگوی خطا و آزمایش‌های آماری نیز بیانگر نبود بایاس زمانی و فقدان خطای ساختاری در شبیه‌سازی بود.

کلیدواژه‌ها

موضوعات

دانش آب و هیدرولیک
دوره 36، شماره 1
فروردین 1405
صفحه 65-81

فایل ها

هم رسانی

ارجاع به این مقاله

آمار