تعداد نشریات | 27 |
تعداد شمارهها | 362 |
تعداد مقالات | 3,206 |
تعداد مشاهده مقاله | 4,706,440 |
تعداد دریافت فایل اصل مقاله | 3,214,955 |
مدلسازی فرآیند تبخیر با استفاده از الگوریتم هیبریدی پرندة کوت و شبکة عصبی مصنوعی | ||
مدل سازی و مدیریت آب و خاک | ||
مقاله 22، دوره 4، شماره 2، 1403، صفحه 279-294 اصل مقاله (2.02 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12692.1266 | ||
نویسندگان | ||
فرناز عالم پور رجبی1؛ محمد علی قربانی* 2؛ اسماعیل اسدی3 | ||
1گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
2گروه مهندسی آب ، دانشکده کشاورزی، دانشگاه تبریز، تبریز، ایران | ||
3استادیار/گروه مهندسی آب، دانشکده کشاورزی، دانشگاه تبریز، ایران | ||
چکیده | ||
تبخیر یکی از مؤلفههای اساسی در چرخة هیدرولوژی است. با توجه به اهمیت خروج آب از دسترس بشر، برآورد صحیح تبخیر بیشتر مورد توجه پژوهشگران قرار گرفته است. در این تحقیق، بهمنظور مدلسازی تبخیر، از هیبرید الگوریتم بهینهساز کوت، با شبکه عصبی مصنوعی استفاده شد. به منظور اجرای مدل، از دادههای هواشناسی سه ایستگاه سینوپتیک گرگان، شیراز و کیش با توجه به اقلیمهای مختلف استفاده گردید. دادههای هواشناسی شامل میانگین دمای هوای کمینه، میانگین دمای هوای بیشینه، سرعت باد، میانگین رطوبت نسبی و ساعات آفتابی در طول دوره آماری 2000 تا 2022 در مقیاس ماهانه، بوده است. برای انتخاب ترکیب دادههای ورودی به هر مدل، از چهار سناریو استفاده شد. برای ارزیابی عملکرد نتایج حاصل از دو مدل، شاخصهای آماری ضریب همبستگی (R)، جذر میانگین مربعات خطا (RMSE) و ضریب نش - ساتکلیف (N-S) مورد استفاده قرار گرفت. به منظور تأیید نتایج از نمودارهای گرافیکی تیلور، پراکنش، هیستوگرام، خطای نسبی و ویولنی نیز استفاده گردید. نتایج مرحله صحتسنجی مربوط به سناریوی چهارم از مدل هیبریدی در گرگان با مقادیر (R=0.99)، (RMSE=8.19) و (NS=0.99)، در شیراز با (R=0.99)، (RMSE=18.43) و (NS=0.98) و در کیش با (R=0.97)، (RMSE=19.36) و (NS=0.93) عملکرد بهتری نسبت به سایر مدلها از خود نشان داد. نتایج تحقیق نشان داد که هیبرید الگوریتم بهینهساز کوت توانست دقت شبکه عصبی مصنوعی را در تمام سناریوها با هر ترکیبی از دادهها افزایش دهد. همچنین نتایج نشان داد که عملکرد سناریوی چهارم الگوریتم هیبریدی (COOT-ANN4) که شامل هر پنج داده هواشناسی بوده است در هر سه ایستگاه دقیقترین نتایج را نشان داده است. | ||
کلیدواژهها | ||
مدلسازی؛ تبخیر؛ شبکه عصبی مصنوعی؛ الگوریتم پرنده کوت؛ الگوریتم هیبریدی COOT-ANN | ||
مراجع | ||
References Ahi, Y., Coşkun Dilcan, Ç., Köksal, D.D., & Gültaş, H. T. (2022). Reservoir evaporation forecasting based on climate change scenarios using artificial neural network model. Water Resources Management, 37, 2607-2624. doi:10.1007/s11269-022-03365-0 Arya Azar, N., Kardan, N., & Ghordoyee Milan, S. (2021). Developing the artificial neural network–evolutionary algorithms hybrid models (ANN–EA) to predict the daily evaporation from dam reservoirs. Engineering with Computers, 39, 1375-1393. doi:10.1007/s00366-021-01523-3 Ashrafzadeh, A., Ghorbani, M.A., Biazar, S.M., & Yaseen, Z.M. (2019). Evaporation process modelling over northern Iran: application of an integrative data-intelligence model with the krill herd optimization algorithm. Hydrological Sciences Journal, 64(15), 1843-1856. doi:10.1080/02626667.2019.1676428 Begum, K.G. (2023). Coot bird optimization algorithm for the temperature control of continuous stirred tank reactor process. Asia-Pacific Journal of Chemical Engineering,18(1), e2787. doi:10.1002/apj.2787 Dong, L., Zeng, W., Wu, L., Lei, G., Chen, H., Srivastava, A.K., & Gaiser, T. (2021). Estimating the Pan Evaporation in Northwest China by Coupling CatBoost with Bat Algorithm. Water, 13(3), 256. https://www.mdpi.com/2073-4441/13/3/256 Ghorbani, M.A., Kazempour, R., Chau, K.W., Shamshirband, S., & Taherei Ghazvinei, P. (2018). Forecasting pan evaporation with an integrated artificial neural network quantum-behaved particle swarm optimization model: a case study in Talesh, Northern Iran. Engineering Applications of Computational Fluid Mechanics, 12(1), 724-737. doi:10.1080/19942060.2018.1517052 Goyal, M.K., Bharti, B., Quilty, J., Adamowski, J., & Pandey, A. (2014). Modeling of daily pan evaporation in sub tropical climates using ANN, LS-SVR, Fuzzy Logic, and ANFIS. Expert Systems with Applications, 41(11), 5267-5276. doi:10.1016/j.eswa.2014.02.047 Huang, G., Wu, L., Ma, X., Zhang, W., Fan, J., Yu, X., Zeng, W., & Zhou, H. (2019). Evaluation of CatBoost method for prediction of reference evapotranspiration in humid regions. Journal of Hydrology, 574, 1029-1041. doi:10.1016/j.jhydrol.2019.04.085 Khari, D., Egdernezhad, A., & Ebrahimipak, N.A. (2023). Comparison of artificial intelligence models and experimental models in estimating reference evapotranspiration (Case study: Ramhormoz synoptic station). Water and Soil Management and Modeling, 3(2),112-124. doi:10.22098/mmws.2022.11293.1117. [In Persian] Malekahmadi, H., Mirzania, E., Khosravi, S., & Ebrahim Zadeh, A. (2022). Daily evapotranspiration modeling using regression and intelligent models (Case Study). Iranian Water Research Journal, 16(1), 49-62. doi:10.22034/iwrj.2022.10026.2338. [In Persian] Maroufpoor, S., Bozorg-Haddad, O., & Maroufpoor, E. (2020). Reference evapotranspiration estimating based on optimal input combination and hybrid artificial intelligent model: Hybridization of artificial neural network with grey wolf optimizer algorithm. Journal of Hydrology, 588, 125060. doi:10.1016/j.jhydrol.2020.125060 Memarzadeh, G., & Keynia, F. (2021). A new optimal energy storage system model for wind power producers based on long short term memory and Coot Bird Search Algorithm. Journal of Energy Storage, 44, 103401. doi:10.1016/j.est.2021.103401 Mirzania, E., Malek Ahmadi, H., Yadegar Shahmohammadi, Y., & Ebrahimzadeh, A. (2021). Impact of wavelet on accuracy of estimated models in rainfall-runoff modeling (Case study: Sufi Chay. Water and Soil Management and Modeling, 1(3), 67-79. doi:10.22098/MMWS.2021.9335.1035 [In Persian] Moazenzadeh, R., Mohammadi, B., Shamshirband, S., & Chau, K.W. (2018). Coupling a firefly algorithm with support vector regression to predict evaporation in northern Iran. Engineering Applications of Computational Fluid Mechanics, 12(1), 584-597. doi:10.1080/19942060.2018.1482476 Mohammadi, B., Linh, N.T.T., Pham, Q.B., Ahmed, A.N., Vojteková, J., Guan, Y., Abba, S.I., & El-Shafie, A. (2020). Adaptive neuro-fuzzy inference system coupled with shuffled frog leaping algorithm for predicting river streamflow time series. Hydrological Sciences Journal, 65, 1738–1751. doi:10.1080 Naruei, I., & Keynia, F. (2021). A new optimization method based on COOT bird natural life model. Expert Systems with Applications, 183, 115352. doi:10.1016/j.eswa.2021.115352 Nourani, V. (2017). An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology, 544, 267-277. doi:10.1016/j.jhydrol.2016.11.033 Sheng, W., Li, R., Yan, T., Tseng, M.L., Lou, J., & Li, L. (2023). A hybrid dynamic economics emissions dispatch model: Distributed renewable power systems based on improved COOT optimization algorithm. Renewable Energy, 204, 493-506. doi:10.1016/j.renene.2023.01.010 Talebi, H., Samadianfard, S., & Kamran, K.V. (2023). A novel method based on Landsat 8 and MODIS satellite images to estimate monthly reference evapotranspiration in arid and semi-arid climates. Water and Soil Management and Modeling, 3(3),180-195. doi: 10.22098/mmws.2023.12048.1198 [In Persian] Taylor K.E. (2001). Summarizing multiple aspects of model performance in a single diagram. Journal of Geophysical Research, 106(7), 7183-7192. doi:10.1029/2000JD900719 Zhao, X., Li, Y., Zhao, Z., Xing, X., Feng, G., Bai, J., Wang, Y., Qiu, Z., & Zhang, J. (2022). Prediction model for daily reference crop evapotranspiration based on hybrid algorithm in semi-arid regions of China. Atmosphere, 13(6), 922. https://www.mdpi.com/2073-4433/13/6/922
| ||
آمار تعداد مشاهده مقاله: 586 تعداد دریافت فایل اصل مقاله: 242 |