تحقیقات کاربردی علوم جغرافیایی

تحقیقات کاربردی علوم جغرافیایی

طراحی شبکه های عصبی فیدبک تکاملی با استفاده از الگوریتم بهینه سازی عنکبوتی در برآورد بار معلق (مطالعه موردی: حوضه آبخیز سد کارده)

نویسندگان
معصومه درمانی 1
محمد نهتانی 2
هایده ارا 1
علی گلکاریان 3
سلمان شریف آذری 4
1 دانشگاه سمنان
2 دانشگاه زابل
3 دانشگاه فردوسی مشهد
4 مدیریت منابع آب
10.29252/jgs.18.51.183
چکیده
فرآیند­های فرسایش و انتقال رسوب در رودخانه یکی از مهمترین و پیچیده­ترین موضوعات مهندسی رودخانه می­باشد. این فرایند اثرات ویژه­ای روی شاخص­های کیفی آب، کنش کف بستر و تخریب کناره­های رودخانه داشته و همچنین خسارت زیادی به طرح­های عمرانی وارد می­کنند. عدم تداوم نمونه ­برداری و اندازه­گیری رسوب در بسیاری از ایستگاه­های موجود و همچنین نبود آمار دقیقی از میزان رسوب در بسیاری از رودخانه­های کشور از یک سو و اختلاف شرایط آب و هوایی، هیدرولوژیکی و توپوگرافی از سوی دیگر تهیه و واسنجی مدل­های فرسایش و رسوب در نقاط مختلف را با مشکل مواجه ساخته است و نیاز به سرمایه مالی، زمانی دارد، اما الگوریتم بهینه­سازی تکاملی قادر به حل این مشکلات نسبت به روش ریاضی و تجربی است. هدف از انجام تحقیق حاضر تعیین بهترین الگوریتم تکاملی است با انتخاب الگوریتم بهینه ­سازی عنکبوت می­توان دست به آموزش جدید زده و بهترین الگوی تکاملی را برای ایستگاه هیدرومتری و باران سنجی حوزه آبخیز کارده تعیین کرد و کارآیی شبکه پرسپترون و الگوریتم تکاملی حوزه آبخیز سد کارده برای دوره آماری 24 ساله را بررسی کرد. در خاتمه نتایج ثابت کرد الگوریتم بهینه­سازی عنکبوت اجتماعی نتایج بهتری در پیش­بینی بارمعلق حوزه آبخیز کارده دارد.
کلیدواژه‌ها
بارمعلق
حوزه آبخیزسد کارده
الگوریتم تکاملی عنکبوت اجتماعی
شبکهmlp
رسوب

عنوان مقاله English

VMLP neural network design using optimization algorithms to predict spider suspend (Case Study: Watershed Dam Kardeh)

نویسندگان English

masooume darmani 1
mohammad nohtani 2
haydeh ara 1
Ali golkarian 3
Salman Sharif Azari 4
1 PhD student Desertification, Faculty of Desert Studies, Semnan University, iran
2 Assistant Professor of Arid region management department, Faculty of Desert Studies, Semnan University , iran.
3 Assistant Professor, Department of Range and Watershed Management, Faculty of Natural Resources and Environment, Ferdowsi University Of Mashhad (FUM) , iran.
4 Master of Water Resources Management, iran.
چکیده English

One of the most important processes of erosion and sediment transport in streams is the river most complex engineering issues.this process special effects on water quality indices, action suburbs floor and destroyed much damage to the river and also into the development plans Lack of continuity sediment sampling and measurement of many existing stations. due to the low number of hydrometric stations in Iran and the lack of continuity of sediment sampling and measuring in many existing stations, on one hand the exact amount of sediment load in many rivers in the country is not available and because of differences in climatic, hydrological and topographical conditions in the country, on the other hand, the preparation and calibration of sediment Erosion Models different regions, is unavoidableCalibration models of erosion and sedimentation in different locations is difficult and requires financial capital andthe time . the But evolutionary optimization algorithm able to resolve this problems of mathematical and experimental methods in this paper, a new optimization algorithm spiders can be made to education And the evolutionary pattern for input (discharge and precipitation) and rain-gauge gauging stations and Watershed Kardeh designated evolutionary algorithms and artificial network performance for 24 year 24-year dam catchment Kardeh for the period studied. In conclusion, the results proved that social spiders optimization algorithm t better resultspredic to for sediment in watershed Kardeh

کلیدواژه‌ها English

Keywords: suspended sediment
dam catchment Kardeh
social spider evolutionary algorithm
Network mlp
Sedimentation
Asselman, N.E. M)2000(. Fitting and interpretation of sediment rating curves.J. Hydrol.234, 228–248
Crowder, D.W., Demissie, M and Markus. M)2007(. The accuracy of sediment loads when log-transformation produce nonlinear sediment load–discharge relationships. J. Hydrol. 336, 250-268
Yang X-S .2010. Nature-inspired metaheuristic algorithms. Luniver Press, Beckington.secon edithon. University of Cam bridge,United Kingdom,pp 75.
Melesse, A.M., Ahmad, S., McClain, M.E., Wang, X and Lim Y.H(2011). Suspended sediment load prediction of river systems: An artificial neural network approach. Agricultural Water Management,vol 98,No5, pp. 855-866.
Vali, V.V., Ramesht, M.H., Seif, A and Ghazavi, R(2012). An assessment of the Artificial Neural Networks technique to geomorphologic modeling sediment yield (Case study Samandegan river system), Geography and Environmental Planning Journal, vol 44,No4, pp. 5-9.
Kakaei Lafdani, E., Moghaddam Nia, A., Ahmadi, A(2013). Daily suspended sediment load prediction using artificial neural networks and support vector machines, Journal of Hydrology, vol 478. Pp.50-62
Mustafa, M.R and Isa, M.H(2014). Comparative Study of MLP and RBF Neural Networks for Estimation of Suspended Sediments in Pari River, Perak, Research Journal of Applied Sciences, Engineering and Technology,vol 7,No 18, pp. 3837-3841.
Samkele s., tf wala and yu- min wang(2016). Estimating Sediment Disharge using sediment Rating curves and Artifical Neursl Networks in the shiwen River ,Taiwan water,Vol 8, No 2. pp1-15
Aytek, A and Kisi, O(2008). A genetic programming approach to suspended sediment modeling. J, Hydrol. Vol.351, PP 288-298
Liong, S.Y., Gautam, T.R., Khu, S.T., Babovic, V., Keijzer, M and Muttil, N(2002). Genetic programming, A new paradigm in rainfall runoff modeling. J. Am, Water Res, Assoc.Vol 38, No 3, PP 705-718
Mirjalili, Z., Saremi, SH., Mirjalili, M(2015). Designing evolutionary feedforward neural networks using social spider optimization algorithm, Neural Comput & Applic .PP 123.DOI 10.1007/s00521-015-1847-6
Cuevas E, Cienfuegos M., Zaldıvar D., Perez-Cisneros M (2013). A swarm optimization algorithm inspired in the behavior of the social-spider. Expert Syst Appl .Vol40,No16, PP 6374–6384.
Cuevas E., Cienfuegos, M( 2014). A new algorithm inspired in the behavior of the social-spider for constrained optimization. Exp Syst Appl: Int J.vol. 41, PP 412–425.
Stone, M(1974). Cross-Validity Choice and Assessment of Statistical Predictions. Journal of the Royal Statistical Society. Vol. 36, pp. 111-133.
Amjadi, N(2002). Introducing intelligence systems. Semnan University press, pp 300.
Pavanelli, D and Bigi, A(2004). Suspended sediment concentration for three apennine monitored basins, particle size distribution and physical parameters, In The Agro Environment Congress, Venice, Italy, PP.537-544.