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)

ادریس معروفی نیا; احمد شرافتی; هیراد عبقری; یوسف حسن زاده

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)

Publish place: Journal of Irrigation Sciences and Engineering Journal of، Vol: 47، Issue: 3

Publish Year: 1403

Type: Journal paper

Language: Persian

This Paper With 18 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > شبکه عصبی

Export:

Link to this Paper:

https://civilica.com/doc/2111734

Document National Code:

JR_JISE-47-3_002

Index date: 4 November 2024

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) abstract

مدل سازی بارش-رواناب روزانه به دلیل تعدد عوامل موثر آن، یکی از پیچیدگی های علم هیدرولوژی است. ترکیب های مختلفی از عوامل بارش-رواناب، طی دوره آماری ۱۰ ساله (۱۳۹۰-۱۴۰۰) به‍عنوان ورودی برای تخمین رواناب در مقیاس زمانی روزانه مورد ارزیابی قرار گرفت. از ۸۰ درصد داده ها به عنوان آموزش (۲۹۲۰ نمونه) و ۲۰ درصد داده ها به عنوان آزمون (۷۳۰ نمونه) استفاده گردید. عوامل ورودی شامل بارش (P) و دبی (Q) که برای بارش تا شش تاخیر و برای دبی تا چهار تاخیر 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 (۸۰۵/۰) و ترکیب سیزدهم (بارش و بارش از یک تا شش روز تاخیر و دبی از یک تا چهار روز تاخیر ) دارای کمترین همبستگی (۱۰۹/۰) بوده است. به ‍منظور مدل‍سازی از مدل های شبکه عصبی مصنوعی- الگوریتم بهینه ‍سازی نهنگ (ANN-WOA)، شبکه عصبی مصنوعی-الگوریتم بهینه ‍سازی عنکبوت سیاه (ANN-BWO) و مدل شبکه عصبی-موجک کلاه مکزیکی (WANN) استفاده گردید. همچنین برای ارزیابی مدل از شاخص های ریشه میانگین مربعات خطا (RMSE)، میانگین قدرمطلق خطا (MAE)، ضریب بهره وری نش- ساتکلیف (NSE) و ضریب نا اریبی (PBIAS) استفاده گردید. یافته های پژوهش نشان می دهد که کلیه مدل های فوق عملکرد بسیار خوبی در پیش ‍بینی فرایند بارش-رواناب از خود نشان دادند. در این بین مدل ANN-BWO دارای بهترین عملکرد در پیش ‍بینی بوده است. همچنین مدل های ANN-WOAو WANN و ANN-BWOبه ‍ترتیب ۴/۳۲ و ۶/۲۷ و ۱۴/۲۲ درصد دقت مدل منفرد شبکه عصبی را بهبود بخشیدند.

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) Keywords:

الگوریتم عنکبوت سیاه , پیش بینی رواناب روزانه , ضریب همبستگی , شبکه عصبی موجکی

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) authors

ادریس معروفی نیا

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

احمد شرافتی

دانشیار، گروه مدیریت ساخت و آب، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.

هیراد عبقری

دانشیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه ارومیه، ایران.

یوسف حسن زاده

استاد، گروه مهندسی آب، قطب علمی هیدروانفورماتیک، دانشکده مهندسی عمران، دانشگاه تبریز، شرکت مهندسین مشاور فرازآب ، دفتر برنامه ریزی و مدیریت طرح ها، تبریز، ایران.

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 :

Abrahart, R.J. and See, L., ۲۰۰۰. Comparing neural network and ...

Abudu, S., Cui, C.L., King, J.P. and Abudukadeer, K., ۲۰۱۰. ...

Afan, H.A., El-Shafie, A., Yaseen, Z.M., Hameed, M.M., Wan Mohtar, ...

Ahmed, J.A. and Sarma, A.K., ۲۰۰۷. Artificial neural network model ...

Anusree, K. and Varghese, K.O., ۲۰۱۶. Streamflow prediction of Karuvannur ...

Ayele, G.T., Teshale, E.Z., Yu, B., Rutherfurd, I.D. and Jeong, ...

Box, G.P., & Jenkins, ۱۹۷۰. Time series analysis: forecasting and ...

Chiang, Y.M., Chang, L.C. and Chang, F.J., ۲۰۰۴. Comparison of ...

Danandeh Mehr, A., Kahya, E., Şahin, A. and Nazemosadat, M.J., ...

Daneshvar Vousoughi, F. and Samadzadeh, R., ۲۰۲۱. Predicting runoff with ...

Fan, Q., Chen, Z., Zhang, W. and Fang, X., ۲۰۲۲. ...

Freire, P.K.D.M.M., Santos, C.A.G. and da Silva, G.B.L., ۲۰۱۹. Analysis ...

Wiley, D., Ware, C., Bocconcelli, A., Cholewiak, D., Friedlaender, A., ...

Ghorbani, M.A. and Dehghani, R., ۲۰۱۶. Application of Bayesian Neural ...

Ghorbani, M.A.,Azani, A. and Mahmoudi Vanolya, S. ۲۰۱۶ . Rainfall-Runoff Modeling Using ...

Guven, A., ۲۰۰۹. Linear genetic programming for time-series modelling of ...

Haykin S. ۱۹۹۹. Neural Networks. MacMillan Publishing Company ...

Houssein, E.H., Helmy, B.E.D., Oliva, D., Elngar, A.A. and Shaban, ...

Kember, G., Flower, A.C. and Holubeshen, J., ۱۹۹۳. Forecasting river ...

Legates, D.R. and McCabe Jr, G.J., ۱۹۹۹. Evaluating the use ...

Maier, H.R., Kapelan, Z., Kasprzyk, J., Kollat, J., Matott, L.S., ...

Mirjalili, S. and Lewis, A., ۲۰۱۶. The whale optimization algorithm. Advances ...

Mohanty, U.C., Nageswararao, M.M., Sinha, P., Nair, A., Singh, A., ...

Moriasi, D.N., Arnold, J.G., Van Liew, M.W., Bingner, R.L., Harmel, ...

Nayak, P.C., Rao, Y.S. and Sudheer, K.P., ۲۰۰۶. Groundwater level ...

Rana, N., Latiff, M.S.A., Abdulhamid, S.I.M. and Chiroma, H., ۲۰۲۰. ...

Salajegheh, A., Fathabadi,A and Mahdavi, M. ۲۰۰۹. Investigation on the efficiency ...

Salas, J.D., ۱۹۸۰. Applied modeling of hydrologic time series. Water Resources ...

Sari, I., Zengin, S., Davutoglu, V., Yildirim, C. and Gunay, ...

Shi, J., Guo, J. and Zheng, S., ۲۰۱۲. Evaluation of ...

Valipour, M. and Montazar, A.A., ۲۰۱۲. Sensitive analysis of optimized ...

Watkins, W.A. and Schevill, W.E., ۱۹۷۹. Aerial observation of feeding ...

Yaseen, Z.M., Awadh, S.M., Sharafati, A. and Shahid, S., ۲۰۱۸. ...

Yaseen, Z.M., El-Shafie, A., Afan, H.A., Hameed, M., Mohtar, W.H.M.W. ...

Zhang, D., Peng, X., Pan, K. and Liu, Y., ۲۰۱۹. ...

نمایش کامل مراجع