Inflow Simulation and Forecasting Optimization Using Hybrid ANN-GA Algorithm

Abstract

چکیده rnبه منظور تعیین آبدهی رودخانه ها در آینده و برنامه ریزی جهت مصرف آب، از مدل هایی جهت پیش بینی این مقادیر استفاده می گردد. همچنین جهت تصحیح، تدقیق، تطویل، تکمیل و یا بازسازی داده ها، مدل های شبیه سازی مورد استفاده قرار می گیرند. از جمله مدل های تجربی مورد استفاده در این زمینه می توان به شبکه عصبی مصنوعی3 (ANN) اشاره نمود. در این تحقیق مؤثر بودن یا نبودن هر یک از عوامل دما، بارش، آبدهی و تأخیرهای زمانی این پارامترها در شبیه سازی و پیش بینی آبدهی رودخانه مورد بررسی قرار گرفته است. به منظور دستیابی آسانتر به این پارامترها و نیز تعیین ترکیب بهینه پارامتر های مؤثر در واسنجی ضرایب ANN از الگوریتم ژنتیک4 (GA) به عنوان یک ابزار بهینه سازی استفاده گردیده است. با انجام فرآیند فوق در دو مدل شبیه سازی و پیش بینی جریان، تعداد لایه های مخفی، تعداد نرون های مؤثر در هر یک از لایه ها، عوامل هواشناسی و هیدرولوژیکی مؤثر و نیز گام های زمانی مناسب هر یک از این عوامل در شبیه سازی و پیش بینی آبدهی با استفاده از GA به نحوی تعیین می گردد که بهترین حالت در مقادیر شبیه سازی و پیش بینی شده آبدهی حاصل شود. در این تحقیق که در حوضه آبریز رودخانه دز صورت گرفته است، تابع هدف کاهش مقدار میانگین مربعات خطای کل در نظر گرفته شد. مقادیر ضریب همبستگی بین آبدهی های محاسباتی و موجود برای دو مدل شبیه سازی و پیش بینی به ترتیب برابر با 86/0 و 79/0 به دست آمد که بیانگر کارآئی الگوریتم ANN-GA در شبیه سازی و پیش بینی آبدهی با دقت مطلوب می باشد. همچنین نتایج نشان دهنده برتری جواب های به دست آمده از مدل شبیه سازی نسبت به مدل پیش بینی می باشند. از دلایل این برتری می توان به وجود عوامل هواشناسی ماه مورد نظر در تعیین میزان آبدهی اشاره نمود. rnrnواژه های کلیدی: شبکه عصبی مصنوعی، شبیه سازی، پیش بینی، آبدهی، بهینه یابی، الگوریتم ژنتیک