نوع مقاله : مقاله پژوهشی
نویسندگان
1 عضو هیات علمی پژوهشکده حفاظت خاک وآبخیزداری
2 Iran_ SCWMRI
چکیده
شبیه‌سازی رسوب معلق در سیستم‌های هیدرولوژیکی به دلیل عدم درک و دانش کافی از اجزاء و فرآیندهای متقابل همواره با عدم قطعیت روبرو بوده و بدین سبب منجر به کاربرد مدل‌های هوشمند و از جمله شبکه‌های عصبی مصنوعی در آن شده است. استفاده از مدل‌های هوشمند نیز با چالش‌هائی روبرو است. تعیین ساختار مناسب شبکه، مستلزم بهینه نمودن پارامترهای مورد استفاده (نظیر تعداد بهینه نورون‌ها و لایه‌ها، وزن و بایاس و نوع توابع فعال‌سازی) در آن بوده که بهینه‌سازی مناسب آن‌ها به روش آزمون و خطا، ضمن کارائی کم، منجر به صرف زمان زیاد می‌شود. در این پژوهش به منظور شبیه‌سازی بار رسوب معلق روزانه در حوزه‌ی آبخیز سراب قره‌سو (رودخانه‌های قور‌ی‌چای و هیرچای) واقع در استان اردبیل، از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد. در راستای آموزش مدل‌های شبکه عصبی، علاوه بر روش‌مرسوم پس انتشار خطا، به منظور بهینه‌سازی مقادیر وزن و بایاس نورون‌های مدل‌های شبکه عصبی، از الگوریتم بهینه‌سازی ازدحام ذرات استفاده گردید. همچنین به منظور افزایش قدرت تعمیم‌دهی مدل‌ها، از خوشه‌بندی نگاشت خود سازمان‌ده استفاده شد. نتایج نشان داد آموزش مدل‌های شبکه عصبی با الگوریتم PSO، کارائی بیشتری نسبت به مدل‌های شبکه عصبی که صرفأ از روش‌های پس انتشار خطا استفاده می‌نمایند، داشته است. با توجه به آنکه الگوریتم‌های تکاملی (نظیر الگوریتم PSO) می‌توانند راه‌حل‌های مناسبی در بهینه‌سازی پارامترهای شبکه عصبی ارائه نمایند لذا، بکارگیری آن‌ها در آموزش مدل‌های شبکه عصبی می‌تواند، راهکار مناسبی در بهبود کارایی مدل‌های هوشمند و بالاخص در شبیه‌سازی رسوب معلق رودخانه‌ها و بکارگیری نتایج آن در اقدمات سازه‌ای آبخیزداری و عملیات منابع آبی باشد.
کلیدواژه‌ها
عنوان مقاله [English]
Evaluating the effectiveness of developing of Hybrid Artificial Neural Network Models and Particle Swarm Optimization (PSO) Algorithm for estimating of Suspended Sediment in Selected hydrometric stations of Ardabil province
نویسندگان [English]
- Seyed Ahmad Hosseini 1
- Ahmad Tabatabaei 2
1 SCWMRI
2 Iran_ SCWMRI
چکیده [English]
Abstract
Correct estimation of the suspended sediment content of rivers plays an important role in studies of erosion and sediment, hydrology, and watershed management. Simulation of suspended sediment in hydrological systems with a high degree of uncertainty and yet, our understanding of the components and processes within them is faced with uncertainties, causing many applications of intelligent models, including artificial neural networks. However, the use of these intelligent models is also facing challenges. Determining the appropriate network structure requires optimizing the parameters used (such as the optimal number of neurons and layers, weight and bias, and the type of activation functions) so that their proper calibration by trial and error, while low efficiency, results in time-consuming. In the present study, in order to simulate the daily suspended sediment load in selected watersheds of Ardabil province, including the Sarab Gharasu watershed (Ghorchai and Hirchai Rivers), a multilayer perceptron artificial neural network was used. A particle swarm optimization (PSO) algorithm was used to train the neural network model, in addition to the conventional error propagation method, and to optimize the weight and bias values of neural network model neurons. Also, the self-organizing map clustering method was used to increase the generalization power of the models. The results of the present study showed that training of neural network models with the PSO algorithm in all selected rivers was more efficient than neural network models which use only the error propagation method. Since evolutionary algorithms (such as PSO algorithm) can provide suitable solutions for the optimization of neural network parameters, their application in training neural network models can be a good solution to improve the efficiency of smart models in simulating suspended sediment of rivers and using its results in the progress of watershed structures and water resources operations.
کلیدواژه‌ها [English]
- Artificial Neural Network
- Clustering
- Particle Swarm Optimization Algorithm
- Self-Organizing Map
- Suspended Sediment
)