تعیین ویژگی‌های مؤثر برای تخمین حجم آب تحویلی به شبکه آبیاری با استفاده از شبکه عصبی مصنوعی ترکیبی با الگوریتم چرخه آب (مطالعه موردی: شبکه آبیاری و زهکشی سد سفیدرود)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز و کارشناس کنترل و پایداری، شرکت آب منطقه‌ای گیلان

2 کارشناس ارشد مهندسی عمران گرایش سازه های هیدرولیکی دانشگاه فردوسی مشهد و کارشناس بهره برداری و نگهداری از سازه‌های آبی، شرکت سهامی

چکیده

در این مطالعه قابلیت الگوریتم فرا ابتکاری چرخه آب در زمینه مدلسازی حجم آب تحویلی به شبکه‌ آبیاری و تعیین ویژگی‌های مؤثر بر آن با ترکیب با شبکه عصبی بررسی شد. پنج ویژگی شامل حجم آب تحویلی به شبکه‌های آبیاری سد سفیدرود در یک روز قبل، دبی و حجم ورودی در هفت روز قبل، تراز و حجم مخزن در ده روز قبل برای ورودی مدل‌های هوشمند انتخاب شد. با اجرای الگوریتم هیبریدی WCA-ANN، روش انتخاب ویژگی و تحلیل حساسیت ترکیب سه‌تایی از ویژگی‌ها با مقدار خطا (MSE) برابر 00045/0 بهترین ترکیب ورودی محسوب می‌شوند. حجم آب تحویلی به شبکه‌های آبیاری سد سفیدرود در یک روز قبل با توجه به تحلیل حساسیت مؤثرترین ویژگی‌ در مدلسازی آن است. در ادامه در این مطالعه وزن‌های شبکه عصبی مصنوعی به کمک دو الگوریتم فرا ابتکاری چرخه آب بدون عمل تبخیر (WCA) و چرخه آب با عمل تبخیر (ER.WCA) به منظور افزایش کارایی بهینه گردید. از لحاظ اولویت مدل هیبرید ANN-ER.WCA با بیش‌ترین دقت و کمترین خطا و با مقادیرR،NRMSE ، MAE وNS به ترتیب برابر با 9915/0، 0975/0، 0090/0 و 9829/0 در دوره آزمون، در اولویت اول و مدل‌های ANN-WCA و ANN به ترتیب در اولویت‌های بعدی قرار گرفتند.

کلیدواژه‌ها

عنوان مقاله [English]

Determining Effective Features for Estimating the Volume of Water Delivered to the Irrigation and Drainage Network using Artificial Intelligence Methods (Case study: Irrigation and Drainage Network of Sefidrood Dam)

نویسندگان [English]

  • hossein hakimi khansar 1
  • ali shabani chafjiri 2
1 Ph.D Candidate, University of Tabriz / Department of Water Engineerin and Control and stability expert, Regional Water company of Guilan
2 Master, Department of Civil Engineering, Faculty of Engineering, Ferdowsi University of Mashhad and Expert in operation and maintenance of Regional Water company of Guilan
چکیده [English]

In this study, the ability of water cycle algorithm in combination with ANN to model the volume of water delivered to the Irrigation and drainage network and determine the effective characteristics, was investigated. For the input of artificial intelligence models, five Features include the volume of water delivered to Sefidrood Irrigation and drainage network for one lags, flow and inlet volume for seven lags, level and reservoir volume for ten lags, were chosen. Using a hybrid algorithm, feature selection method and sensitivity analysis, a triple combination of features (with MSE of 0.00045) is the best input combination. The volume of water delivered to Sefidrood Irrigation and drainage network for one lags according to sensitivity analysis has been the most effective feature in its modeling. Then the artificial neural network weights were optimized to increase efficiency and with the help of two meta-innovative algorithms: water cycle without evaporation (WCA) and water cycle with evaporation (ER.WCA). The ANN-ER.WCA hybrid model with the highest accuracy (with values of R, NRMSE, MAE and NS equal to 0.9915, 0.0975, 0.0090 and 0.9829 in the test period, respectively) is in the first priority and the ANN-WCA and ANN models are next in line, respectively.

کلیدواژه‌ها [English]

  • Water cycle algorithm
  • feature selection
  • irrigation and drainage network of Sefidrood dam
  • artificial neural network
  • hydroinformatics

مراجع

ابراهیم زاده، ع.، ضرغامی، م. و نورانی، و. 1397. ارزیابی ریسک روگذری سدهای خاکی با مدل پویایی سیستم‌ها تحت شبیه‌سازی مونت کارلو و روش اَبَرمکعب لاتین، مطالعه موردی: سد حاجیلر‌چای. تحقیقات منابع آب ایران. 15(1): 14-31.
الهام، م.، داود براری، ت.، ابراهیم، ا.، یوسف نیک، ن.، هرمز، ف. و مهدی، خ. 1397. ارزیابی و برآورد میزان تبخیر و تعرق گیاه برنج در استان های شمالی کشور. جغرافیا (برنامه ریزی منطقه ای). سال نهم. 561-572.
اسدی، ه.، شاهدی، ک.، سایدل، ر. و مصطفی، س.م. 1397. پیش بینی رسوب معلق با استفاده از داده های هیدرولوژیک و هیدروژئومورفیک در مدل های هوشمند. تحقیقات منابع آب ایران. 15(3): 105-119.
اسلامی، ز.، جنت رستمی، س.، اشرف زاده، ا. و پورمحمد، ی. 1399. تأثیر رویکرد پیوندی آب، انرژی و غذا در مدیریت یکپارچه منابع آب شبکه آبیاری و زهکشی سفیدرود. آب و خاک. 34(1): 11-25.
امیری میجان، ف.، شیرانی ح.، اسفندیارپور ع.، بسالت پور ع.ا و شکفته ح. 1398. مدل‌سازی شاخص S و تعیین عوامل مؤثر بر آن با استفاده از الگوریتم هیبرید شبیه‎سازی تبرید- شبکه عصبی مصنوعی در خاک‌های آهکی جنوب‌شرق ایران. مجله علوم آب و خاک. ۲۳ (۳) :۳۸۱- 394.
امینی، ک.، جنت رستمی، س.، پیرمرادیان، ن. و اشرف زاده, ا. 1396. ارزیابی شاخص اکو-بهره‌وری در واحد عمرانی F1 از شبکه آبیاری و زهکشی سفیدرود. تحقیقات منابع آب ایران. 14(3): 114-124.
پارسا، ج.، حکیمی خانسر، ح.، دلیر حسین زاده، ع.، و شیری، ج. 1399. مدل‌سازی تنش خاک در سدهای خاکی با روش‌های هوش مصنوعی و تعیین ویژگی‌های مؤثر. نشریه مهندسی عمران امیرکبیر. 2(3): 50-65.
حبیبی کندبن، ع.، میلاد دوستی، م. و ملاقدیمی، ا. ح. 1395. ارزیابی عملکرد مدول‌های نیرپیک به‌عنوان سازه آبگیر در تأمین آب اراضی پایین‌دست خود در شبکه آبیاری و زهکشی سفیدرود. آب و توسعه پایدار. 4(1): 65-72.
حسن پور نودهی، م.، نوابیان، م. و اسمعیلی ورکی، م. 1398. ارزیابی کیفیت زه‌آب اراضی شالیزاری برای استفاده مجدد در آبیاری و تخلیه به محیط‌زیست (مطالعه موردی: واحد عمرانی F4 شبکه آبیاری و زهکشی سفید‌رود). نشریه آبیاری و زهکشی ایران. 13(4): 909-918.
سلماسی، ف. و حکیمی خانسر، ح. 1399. تخمین رفتار سد کبودوال در حین ساخت با مدل‌سازی عددی سه بعدی. نشریه مهندسی عمران امیرکبیر. 53(9): 20-20.
شاوردی، ع.، و تهامی پور، م. 1396. ارزیابی اثر شبکۀ آبیاری و زهکشی سفیدرود بر بازده نهایی آب آبیاری در استان گیلان. اقتصاد کشاورزی و توسعه. 24(95): 89-106.
غلامی، م.، شاهنظری، ع.، مرتضی پور، م.ر. و شاه نوریان، م. م. 1395. حل مناقشه ی شبکه‏ ی آبیاری و زهکشی سفیدرود با استفاده از نظریه بازی‏ ها. تحقیقات منابع آب ایران. 13(3): 101-111.
مطهری، م.، ستوده‌نیا، ع.، نظری. ب. و یزدانی، م. ر. 1399. ارزیابی بهره‌وری آب کشاورزی محصول برنج در مقیاس حوضه‌ای بر اساس تبخیروتعرق واقعی در حوضه سفیدرود. فضای جغرافیایی. 20(72): 139-157.
منتظر، ع. ا.، زادباقر، ا.، و حیدری، ن. 1388. توسعه مدل ارزیابی آب مجازی شبکه های آبیاری با استفاده از فرآیند تحلیل سلسله مراتبی. آب و خاک (علوم و صنایع کشاورزی). 23(4): 77-89.
نوری، م.، و سلماسی، ف. 1397. برآورد مقادیر نشت از سدهای خاکی با استفاده از روش‌های هوش مصنوعی. علوم و مهندسی آبیاری. 42(1):83-97.
هاشمی شاهدانی، س.  م.، حسنی،  ی. و هرمزی، م. 1395. توزیع و تحویل بهینه آب در کانال اصلی آبیاری از نظر اقتصادی در شرایط کم آبی. تحقیقات منابع آب ایران. 13(3): 33-42.
Ahmed, M., Mumtaz, R. and  Hassan Zaidi, S. M. 2021. Analysis of water quality indices and machine learning techniques for rating water pollution: a case study of Rawal Dam, Pakistan. Water Supply. 3(1): 1-15.
Eskandar, H., Sadollah, A., Bahreininejad, A. and  Hamdi, M. 2012. Water cycle algorithm – A novel metaheuristic optimization method for solving constrained engineering optimization problems. Computers & Structures, 110(111): 151-166.
Hill, M. C. 2000. Methods and guidelines for effective model calibration Building Partnerships .pp. 1-10.
Kumar, V. and  Minz, S. 2014. Feature selection: a literature review. SmartCR. 4(3): 211-229.
Maroufpoor, S., Maroufpoor, E., Bozorg-Haddad, O., Shiri, J. and  Yaseen, Z. M. 2019. Soil moisture simulation using hybrid artificial intelligent model: Hybridization of adaptive neuro fuzzy inference system with grey wolf optimizer algorithm. Journal of Hydrology. 575: 544-556.
Navabian, M., Heydarian, M. and Vazifeh Dost, M. 2020. Investigation the Effect of Transplanting Date on Intermittent Irrigation Planning in Paddy Fields Using SWAP Model (Case Study: Astaneh-Kochesfahan Plain). Iranian Journal of Irrigation & Drainage. 14(5): 1789-1802.
Taylor, K. E. 2001. Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research: Atmospheres. 106(D7):7183-7192

فایل ها

هم رسانی

ارجاع به این مقاله

آمار