مقایسه عملکرد الگوریتم های ژنتیک و ازدحام ذرات در واسنجی روش تجربی کاهش سطح بر اساس نتایج هیدروگرافی مخزن سد دز
Publish place: Journal of Watershed Management Research، Vol: 9، Issue: 18
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 272
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-9-18_015
تاریخ نمایه سازی: 4 مهر 1400
Abstract:
منحنی های حجم- سطح- ارتفاع سدها یکی از مهم ترین ابزارها در برنامه ریزی منابع آب و مدیریت مخزن است. روش کاهش سطح یکی از روش هایی است که برای اصلاح این منحنی ها پس از رسوب گذاری مخزن بر اساس شرایط و آمار و اطلاعات ثبت شده در مخازن خارج کشور توسعه یافته اند و استفاده از همان روش ها در مورد سدهای داخل کشور بدون بهینه سازی ضرایب، خالی از اشکال نبوده و گاهی با خطای زیاد همراه است. هدف از این تحقیق واسنجی خودکار روش کاهش سطح بر اساس سه پارامتر موثر آن با استفاده از دو الگوریتم ژنتیک و بهینه سازی ازدحام ذرات و مقایسه نتایج با مطالعات هیدروگرافی مخزن می باشد. طوری که پیش بینی روند رسوب گذاری مخزن در روش کاهش سطح با نتایج هیدروگرافی مخزن در انتهای دوره کمترین اختلاف را داشته باشد. نتایج حاکی از برتری الگوریتم ازدحام ذرات در واسنجی روش کاهش سطح داشت. در این الگوریتم با انتخاب جمعیت اولیه ۵۰، زمان همگرایی و مقدار تابع هدف (ریشه میانگین مربعات خطای بین منحنی حجم- ارتفاع پیش بینی شده و واقعی مخزن) در آخرین تکرار به ترتیب ۷/۴ دقیقه و ۷ میلیون مترمکعب بود که نسبت به الگوریتم ژنتیک به ترتیب ۶/۹۲ و ۴۸ درصد بهبود را نشان می دهد. در نهایت از مقادیر بهینه پارامترهای روش کاهش سطح برای تطابق بیشتر مقادیر حجم برآوردی و واقعی مخزن سد دز استفاده شد و نتایج نشان داد مقدار خطای پیش بینی کمتر از یک درصد است که با توجه به حجم مخزن ناچیز ارزیابی می گردد. بر این اساس می توان مدل تهیه شده را بدون هیچ تغییری در پارامترهای بهینه روش کاهش سطح با وارد نمودن اطلاعات مربوط به هیدروگرافی جدید مخزن برای پیش بینی روند رسوب گذاری در سال های آتی بکار برد. این امر با توجه به اهمیت اطلاع از تغییرات حجم مفید مخزن در سال های آتی و نقش آن در برنامه ریزی منابع آب آینده بسیار مفید خواهد بود.
Keywords:
Authors
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :