بازگشت به نشریه
پژوهش آب ایران
Journal of Materials Science: Materials in Electronics
ضریب تاثیر
0/000
در دسترس
2000 - 2020
دوره‌ها
15
شماره‌ها
54
مقالات
855
دسترسی آزاد
532


پژوهش آب ایران
پیش‌بینی هندسه هیدرولیکی پایین‌دست کانال‌های آبرفتی با استفاده از الگوریتم هوشمند مختلط (GMDH-HS)


دریافت: 1397/4/6 | پذیرش: 1397/11/20 | انتشار: 1398/9/22 

 DOI

نویسندگان
سمیرا رضاپوریان1*، محمد مهدی احمدی2، کوروش قادری3

1-دانشگاه شهید باهنر کرمان،palmy458@gmail.com

2-دانشگاه شهید باهنر کرمان،ahmadi_mm@uk.ac.ir

3-دانشگاه شهید باهنر کرمان،kouroshqaderi@uk.ac.ir



43 تعداد دریافت

چکیده

هندسه هیدرولیکی پایین‌دست کانال‌های آبرفتی در شرایط دبی لبریز توسط پارامترهای عرض کانال، عمق متوسط جریان، شیب کانال و سرعت متوسط جریان تعریف می‌شود. این متغیرها توسط پارامترهای مستقل دبی جریان، قطر متوسط ذرات بستر و پارامتر شیلدز قابل تعریف هستند. در این تحقیق عملکرد مدل هوشمند داده محور GMDH و مدل هوشمند مختلط GMDH-HS برای بیان بهترین رابطه بین متغیرهای هندسه هیدرولیکی پایین‌دست کانال‌های آبرفتی بر حسب پارامترهای مستقل مورد بررسی قرارگرفته است. ۸۸۰ سری داده اندازه‌گیری شده از رودخانه‌ها و کانال‌های آزمایشگاهی تحت شرایط جریان و بسترهای متفاوت جمع‌آوری شد، که ۴۹۸ سری داده برای آموزش و مابقی برای ارزیابی مدل‌ها استفاده گردید. صحت‌سنجی مدل‌های توسعه داده شده با استفاده از سری‌زمانی مکی-گلاس انجام گرفت. ارزیابی عملکرد مدل‌های توسعه داده شده با استفاده از شاخص‌های آماری CE، MSRE، MAPE، RMSE، RB و R۲ حاکی از عملکرد رضایت‌بخش هر دو مدل در پیش‌بینی هندسه هیدرولیکی پایین‌دست کانال‌های آبرفتی است. بررسی دقیق‌تر و مقایسه نتایج دو مدل برای هر چهار متغیر نشان داد که مدل GMDH-HS در پیش‌بینی هندسه هیدرولیکی پایین دست کانال‌های آبرفتی عملکرد بسیار بالاتری داشته است.




واژگان کلیدی

جستجوی هارمونی  دسته‌بندی گروهی داده‌ها  مدل هوشمند مختلط  مورفولوژی رودخانه‌های آبرفتی  هیدرولیک. 



دریافت فایل مقاله


دسترسی آزاد

دریافت فایل مقاله

ارجاع به مقاله
رضاپوریان قهفرخی س. احمدی م. م. و قادری ک. 1398 پیش‌بینی هندسه‌ی هیدرولیکی پایین دست کانال های آبرفتی با استفاده از الگوریتم هوشمند مختلط (GMDH-HS). مجله پژوهش آب ایران. 35: 137-146.




مراجع
  1. ایوانی ز. احمدی م. م. و قادری ک. 1395. برآورد بار معلق در سیستم رودخانه ­ای با استفاده از روش گروهی کنترل داده ­ها (GMDH). پژوهشنامه مدیریت حوزه­ آبخیز. 7(13): 218-229.

  2. پورنعمت رودسری ع. قادری ک. و کریمی گوغری ش. 1393. مدل‌سازی فرایند بارش- رواناب با استفاده از روش کنترل گروهی داده­ ها در حوزه آبخیز پلرود (ANN) و شبکه ­های عصبی مصنوعی (GMDH). پژوهشنامه مدیریت حوزه آبخیز. 5(10): 68-84.

  3. قادری ک. عرب د. ر. تشنه ­لب م. و قزاق آ. 1389. مدلسازی بهره‌برداری هوشمند از مخازن با استفاده از برخورد گروهی با داده ­ها (GMDH). تحقیقات منابع آب ایران. 6(3): 55-67.

  4. قادری ک. و حسین‌زاده م. 1395. تخمین ضریب پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی با استفاده از رویکرد هوشمندGMDH داده‌محور. نشریه آبیاری و زهکشی ایران. 5(10): 581-593.

  1. Afzalimehr H. Abdolhosseini M. and Singh V.P. 2010. Hydraulic geometry relations for stable channel design. Journal of Hydrologic Engineering. 15(10): 859-864.

  2. Agouridis C. Brockman R. Workman S. Ormsbee L. and Fogle A. 2011. Bankfull hydraulic geometry relationships for the inner and outer bluegrass regions of Kentucky. Water. 3(3):923-948.

  3. Bashiri-Atrabi H. Qaderi K. Rheinheimer D. E. and Sharifi E. 2015. Application of harmony search algorithm to reservoir operation optimization. Water Resources Management. 29(15): 5729-5748.

  4. Emerson S. D. 2016. The role of bed shear stress in sediment sorting patterns in a reconstructed, gravel bed river. A Thesis Presented to The Faculty of the Department of Geology San José State University. 55 p.

  5. Felezi M. E. Nariman-Zadeh N. Darvizeh A. Jamali A. and Teymoorzadeh A. 2004. A polynomial model for the level variations of the Caspian Sea using evolutionary design of generalized GMDH-type neural networks. WSEAS Transactions on Circuits and Systems. 3(2): 318-323.

  6. Geem Z. W. Kim J. H. and Jeong S. H. 2011. Cost efficient and practical design of water supply network using harmony search. African Journal of Agricultural Research. 6(13): 3110-3116.

  7. Gholami A. Bonakdari H. Ebtehaj I. Shaghaghi S. and Khoshbin F. 2017. Developing an expert group method of data handling system for predicting the geometry of a stable channel with a gravel bed. Earth Surface Processes and Landforms. 42: 1460-1471.

  8. Gleason C. J. 2015. Hydraulic geometry of natural rivers: A review and future directions. Progress in Physical Geography. 39(3): 337–360

  9. Hey R. D. and Thorne C. R. 1986. Stable channels with mobile gravel beds. Journal of Hydraulic engineering. 112(8): 671-689.

  10. Ivankhenko A. G. 1968. The group method of data handling–a rival of the method of stochastic approximation. Soviet Automatic Control c/c of Avtomatika. 1(3):43-55.

  11. Julien P. Y. 2015. Downstream hydraulic geometry of alluvial rivers. Proceedings of the International Association of Hydrological Sciences. 367: 3.

  12. Julien P. Y. and Wargadalam J. 1995. Alluvial channel geometry: theory and applications. Journal of Hydraulic Engineering. 121(4): 312-325.

  13. Kennedy R. G. 1895. The prevention of silting in irrigation canals (Including appendix). In Minutes of the Proceedings of the Institution of Civil Engineers. Thomas Telford-ICE Virtual Library. 119: 281-290.

  14. Lee J. S. and Julien P. Y. 2006. Downstream hydraulic geometry of alluvial channels. Journal of hydraulic engineering. 132(12): 1347-1352.

  15. Leopold L.B. and Maddock T. 1953. The hydraulic geometry of stream channels and some physiographic implications. 252. US Government Printing Office.

  16. Mahdavi M. Fesanghary M. and Damangir E. 2007. An improved harmony search algorithm for solving optimization problems. Appl Math Comput. 188(2):1567-79.

  17. Masoumi S. H. M. Khanjani M. J. and Qaderi K. 2016. Uplift capacity prediction of suction caisson in clay using a hybrid intelligence method (GMDH-HS), Applied Ocean Research. 30(59): 408-16.

  18. Millar R. G. 2000. Influence of bank vegetation on alluvial channel patterns. Water Resources Research. 36(4): 1109-1118.

  19. Moosavi V. Talebi A. and Hadian MR. 2017. Development of a Hybrid Wavelet Packet-Group Method of Data Handling (WPGMDH) Model for Runoff Forecasting.Water Resources Management. 1-7.

  20. Pitlick J. and Cress R. 2002. Downstream changes in the channel geometry of a large gravel bed river. Water resources research. 38(10).

  21. Samsudin R. Saad P. and Shabri A. 2011. River flow time series using least squares support vector machines. Hydrology and Earth System Sciences. 15(6):1835-52.

  22. Solomatine D. P. and Ostfeld A. 2008. Data-driven modeling: some past experience and new approaches. Journal of Hydroinformatics. 10: 3-22.

  23. Tsai T. M. and Yen P. H. 2017. GMDH algorithms applied to turbidity forecasting. Applied Water Science. 7(3): 1151-1160.

  24. Wang W. C. Chau K. W. Cheng C. T. and Qui L. 2009. A comparison of performance of several Artificial intelligence methods for forecasting monthly discharge time series. Journal of Hydrology. 374: 294-306.

  25. Weyland D. 2015. A critical analysis of the harmony search algorithm—How not to solve sudoku. Operations Research Perspectives. 2: 97-105.

  26. Zhang H. Liu X. Cai E. Huang G. and Ding C. 2013. Integration of dynamic rainfall data with environmental factors to forecast debris flow using an improved GMDH model. Computers and Geosciences. l31. 56: 23-31.





اطلاعیه‌ها  

نمایه‌ها  

 


پایگاه استنادی علوم جهان اسلام
پایگاه اطلاعات نشریات کشور
سیویلیکا
پایگاه اطلاعات علمی جهاد دانشگاهی
 سازمان اسناد و کتابخانه ملی جمهوری اسلامی ایران