ارزیابی دقت مدلهای فرا ابتکاری در شبیه سازی دبی رودخانه کرخه (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
اندازه گیری دبی رودخانه همواره یکی از چالش های اساسی در مدیریت رودخانه است. استفاده از ابزارهای دقیق برای محاسبه آن ضروری است. روش های عددی، تحلیلی، هوش مصنوعی و تجربی، رایج ترین روش ها برای اندازه گیری جریان روزانه رودخانه هستند. در این تحقیق، یک مدل هوشمند ترکیبی مبتنی بر رویکرد مدل رگرسیون بردار پشتیبان برای شبیه سازی دبی رودخانه توسعه داده شده است. بدین منظور در این پژوهش از سه الگوریتم بهینه سازی شامل موجک، تفنگدار خلاق و عنکبوت بیوه سیاه برای شبیه سازی دبی رودخانه استفاده شد. جهت مدلسازی از آمار و اطلاعات ایستگاه های هیدرومتری حوضه آبریز کرخه شامل چم انجیر، کشکان، پل زال و جلوگیر بعنوان مطالعه موردی طی4 سناریو ترکیبی از پارامترهای ورودی در سالهای 1372 تا 1402 استفاده شد. به منظور ارزیابی عملکرد مدلها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. همچنین جهت تحلیل نتایج مدلها از نمودار پراکنش و خطای نسبی و تیلور استفاده شد. نتایج نشان داد سناریو های ترکیبی در مدلهای مورد بررسی باعث بهبود عملکرد مدل می شود. همچنین نتایج حاصل از معیار ارزیابی نشان داد مدل رگرسیون بردار پشتیبان-موجک دارای ضریب همبستگی 974-941/0 ، ریشه میانگین مرعات خطا (m3/s) 054-022/0 ، میانگین قدر مطلق خطا (m3/s) 011-025/0 و ضریب نش ساتکلیف 986-962/0 در مرحله صحت سنجی برخوردار است. در مجموع نتایج نشان داد استفاده از مدلهای هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می تواند رویکردی موثر در پایداری مهندسی رودخانه باشد.Simulation of River Discharge at Hydrometric Stations in the Karkheh River Basin Using Metaheuristic Models
Measuring river discharge has always been a fundamental challenge in river management. The use of precise instruments for its calculation is essential. Numerical, analytical, artificial intelligence, and empirical methods are the most common approaches for measuring daily river flow. In this research, a hybrid intelligent model based on the Support Vector Regression (SVR) model approach has been developed for river discharge simulation. To this end, three optimization algorithms, including Wavelet, innovative gunner (AIG), and Black Widow Optimization (BWO), were used to simulate river discharge. For modeling, statistical data and information from hydrometric stations of the Karkheh River basin, including Cham Anjir, Kashkan, Pol-e Zal, and Jelogir, were used as a case study over four combined scenarios of input parameters from 1993 to 2023. To evaluate the performance of the models, the evaluation criteria of the correlation coefficient, root mean square error, mean absolute error, and Nash-Sutcliffe efficiency coefficient were used. Also, scatter, relative error, and Taylor diagrams were used to analyze the results of the models. The results showed that combined scenarios in the studied models improve the performance of the model. Also, the results from the evaluation criteria showed that the Support Vector Regression-Wavelet model has a correlation coefficient of 0.941-0.974, root mean square error (m3/s) of 0.022-0.054, mean absolute error (m3/s) of 0.025-0.011, and Nash-Sutcliffe efficiency coefficient of 0.962-0.986 in the validation stage. Overall, the results showed that the use of intelligent models based on the Support Vector Regression approach can be an effective approach in river engineering.
تبلیغات
