group method f data handling
در نشریات گروه آب و خاک-
مدل سازی و تخمین تبخیروتعرق روزانه گیاه مرجع با مدل های محاسبات نرم (مطالعه موردی: ایستگاه الیگودرز)
محاسبه و تخمین تبخیر و تعرق یکی از مهمترین پارامترهای مدیریت آب در پروژه های مهندسی کشاورزی است. هدف از این مطالعه ارزیابی مدل های برنامه ریزی بیان ژن، دسته بندی گروهی داده ها و اسپلاین تطبیقی چندگانه در برآورد تبخیر-تعرق مرجع ایستگاه الیگودرز است. بدین منظور از اطلاعات روزانه مربوط به دوره زمانی 25 ساله (2017-1993) منطقه الیگودرز واقع درشرق استان لرستان استفاده شد. 80 درصد داده ها برای آموزش و 20 درصد مابقی آنها برای آزمون مدل ها در نظر گرفته شد. براساس رگرسیون گام به گام درجه حرارت حداکثر دارای بیشترین تاثیر بر تبخیر-تعرق مرجع است. نتایج مدل سازی نشان داد تنها با داشتن درجه حرارت ماکزیمم و سرعت متوسط باد می توان تبخیر-تعرق را در الیگودرز برآورد کرد. با این دو متغیر و استفاده از مدل برنامه ریزی بیان ژن با دقت 93/0= و (mm/day) 84/0=RMSE، با مدل اسپلاین تطبیقی چندگانه هم با دقت 96/0= و (mm/day) 63/0=RMSE و با مدل دسته بندی گروهی داده ها با دقت 96/0= و (mm/day) 63/0=RMSE، تبخیر و تعرق مرجع را برآورد نمود. مقایسه عملکرد مدل ها نشان داد که مدل اسپلاین تطبیقی چندگانه با مقدار ضریب نش به میزان 963/0 در مرحله آموزش و 962/0 در مرحله آزمون، عملکرد بهتری نسبت به سایر مدل ها داشته است.
کلید واژگان: اسپلاین تطبیقی چندگانه، برنامه ریزی بیان ژن، دسته بندی گروهی داده ها، رگرسیون گام به گام، مدیریت آبیاریCalculation and estimation of evapotranspiration is one of the most important parameters of water management in agricultural engineering projects. The aim of this study was to evaluate the models of gene expression programming (GEP), group method of data handling (GMDH), and Multivariate adaptive regression spline (MARS) to estimating daily reference evapotranspiration. For this purpose, daily data recorded during the last 25-year period (1993-2017) of Aligudarz region (located in the east of Lorestan province) were used. 80% of the data were used for training and the remaining 20% for testing the models. The modeling results showed that only with the maximum temperature and average wind speed can evapotranspiration be estimated with very good accuracy. The error indices of GEP model in testing stage are , the error indices of MARS and GMDH models are . Comparing the performance of the models showed that the March model performed better than the other models.
Keywords: Farm Water Management, Gene expression programming, Group Method F Data Handling, Multivariate adaptive regression splines, Step-By-Step Regressio -
در این مطالعه، الگوی آبشستگی در مجاورت سرریزهای سنگی با شکل های I، U و J درون کانال های خم توسط یک روش هوش مصنوعی نوین تحت عنوان ساختار تعمیم یافته روش گروه دسته بندی داده ها (GSGMDH) شبیه سازی شد. در مقایسه با روش (GMDH) گروه دسته بندی داده ها روش GSGMDH یک روش منعطف تر و دقیق تر است که در آن گره ها می-توانند از لایه های غیرهمجوار ورودی بگیرند. در ابتدا، کلیه پارامترهای موثر بر روی عمق آبشستگی در مجاورت سرریزهای سنگی شناسایی گردید و سپس با استفاده از این پارامترها، برای هر یک از روش های GMDH و GSGMDH شش مدل مختلف تعریف گردید. با تجزیه و تحلیل نتایج مدل های هوش مصنوعی مدل-های برتر معرفی گردید. مدل های برتر GMDH و GSGMDH مقادیر آبشستگی ها را بر حسب کلیه پارامترهای ورودی تخمین زدند. علاوه بر این، دقت مدل های GSGMDH از مدل های GMDH بیشتر بود. به عنوان مثال، برای مدل های برتر GMDH و GSGMDH مقدار شاخص عملکرد در وضعیت تست به ترتیب مساوی با 075/73 و 408/86 محاسبه شدند. همچنین، مدل برتر مقادیر تابع هدف را با دقت خوبی پیش بینی نمود. به عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی (SI) و ضریب نش (NSC) برای مدل برتر GSGMDH در شرایط آموزش به ترتیب مساوی با 913/0، 214/0 و 800/0 تخمین زده شدند. با توجه به نتایج تحلیل حساسیت، پارامترهای پارامترهای ضریب شکل سرریزهای سنگی (φ)، نسبت اختلاف عمق جریان در بالادست و پایین دست تله سنگی برابر به ارتفاع سازه (y/hstΔ) و عدد فرود تراکمی (Fd) به عنوان موثرترین پارامترهای ورودی معرفی گردیدند. تحلیل عدم قطعیت نشان داد که مدل GSGMDH برتر دارای یک عملکرد کمتر از واقعی بود.
کلید واژگان: سرریز سنگی، آبشستگی، روش دسته بندی گروهی داده ها، تحلیل عدم قطعیت، تحلیل حساسیت مشتق نسبیIn this study, the scour pattern in the vicinity of cross-vane structures with I, U and J shapes in bending channels is simulated by a new artificial intelligence method called "generalized structures group method of data handling” (GSGMDH). Initially, all the parameters affecting the scour depth in the vicinity of cross-vane structures are identified and then using these parameters, six different models are defined for each of the GMDH and GSGMDH methods. By analyzing the results yielded by the artificial intelligence models, the superior models are introduced. The GMDH and GSGMDH superior models estimate the scour values in terms of all input parameters. In addition, the accuracy of the GSGMDH models is higher than that the GMDH ones. For example, for the GMDH and GSGMDH superior models, the values of "variance accounted for" in the test mode are calculated 73.075 and 86.408, respectively. Also, the superior model forecasts the objective function values with acceptable accuracy. For example, the correlation coefficient (R), the scatter index (SI), and the Nash-Sutcliffe model efficiency coefficient (NSC) for the GSGMDH superior model in the training mode are approximated 0.913, 0.214 and 0.800, respectively. Based to the results of the sensitivity analysis, the shape factor of cross-vane structures, the ratio of the difference between the upstream and downstream flow depths to the height of the structure and the densimetric Froude number (Fd) are introduced as the most effective input parameters. An uncertainty analysis exhibits that the GSGMDH superior model has an underestimated performance.
Keywords: Cross-Vane Structures, Scour, Group Method of Data Handling, Uncertainty Analysis, Partial derivative sensitivity analysis -
تخمین و محاسبه آبشستگی در اطراف سازه ها از قبیل پایه پل ها از اهمیت بسزایی برخوردار است. در این مطالعه، با استفاده از روش دسته بندی گروهی داده ها (GMDH) عمق آبشستگی در اطراف پایه پل های دوقلو و سه تایی شبیه سازی گردید. در ابتدا، موثرترین پارامترها بر روی عمق آبشستگی شناسایی شدند و سپس چهار مدل مختلف GMDH تعریف گردید. برای صحت سنجی نتایج مدل های GMDH از مقادیر آزمایشگاهی استفاده گردید که 70% مقادیر آزمایشگاهی برای آموزش مدل های GMDH و 30 درصد باقیمانده برای آزمون این مدل ها بکار گرفته شدند. در ادامه با انجام یک تحلیل حساسیت، مدل های برتر و موثرترین پارامترهای ورودی معرفی شدند. نتایج تحلیل حساسیت نشان داد که مدل های GMDH مقادیر آبشستگی ها را با دقت قابل قبولی پیش بینی کردند. به عنوان مثال، مقادیر ضریب همبستگی (R)، شاخص پراکندگی (SI) و شاخص عملکرد (VAF) برای مدل برتر در شرایط آزمون به ترتیب برابر با 949/0، 212/0 و 129/90 محاسبه شدند. علاوه بر این، عدد فرود به عنوان مهمترین پارامتر ورودی برای تخمین عمق آبشستگی توسط مدل GMDH معرفی گردید. همچنین، مقدار ضریب اختلاف متوسط برای مدل برتر معادل با 228/1 بود. برای مدل های GMDH مختلف چهار رابطه ارایه گردید و در انتها یک کد کامپیوتری برای شبیه سازی عمق آبشستگی توسط مدل GMDH ارایه گردید.
کلید واژگان: پایه های جفت و سه تایی، آبشستگی، روش دسته بندی گروهی داده ها، تحلیل حساسیت، شبیه سازیEstimation and computation of scouring around structures such as piers has a significant importance. In this study, scour depth in the vicinity of twin and three piers was simulated using Group Method of Data Handling (GMDH). First, effective parameters on scour depth were identified and then four different GMDH models were defined. To verify the simulation results, some experimental measurements were applied and 70% of these data were utilized to train the GMDH models, whereas 30% of the data were employed to test the models. Subsequently, the best GMDH model and the most influencing input parameters were introduced by conducting a sensitivity analysis. The sensitivity analysis showed that the GMDH models estimated the scour depth with acceptable accuracy. For instance, the correlation coefficient (R), scatter index (SI), and variance accounted for (VAF) for the best GMDH model were respectively calculated to be 0.949, 0.212, and 90.129. In addition, the Froude number was detected as the most important input variable to estimate the scour depth through GMDH model. Moreover, the mean discrepancy ratio (DRave) for the superior GMDH model was computed to be 1.228. For different GMDH models, four equations were presented and lastly a computer code was provided to simulate scour depth by means of the GMDH model.
Keywords: Twin, three piers, Scouring, Group method of data handling, Sensitivity analysis, simulation -
مجله پژوهش آب ایران، پیاپی 35 (زمستان 1398)، صص 137 -147
هندسه هیدرولیکی پایین دست کانال های آبرفتی در شرایط دبی لبریز توسط پارامترهای عرض کانال، عمق متوسط جریان، شیب کانال و سرعت متوسط جریان تعریف می شود. این متغیرها توسط پارامترهای مستقل دبی جریان، قطر متوسط ذرات بستر و پارامتر شیلدز قابل تعریف هستند. در این تحقیق عملکرد مدل هوشمند داده محور GMDH و مدل هوشمند مختلط GMDH-HS برای بیان بهترین رابطه بین متغیرهای هندسه هیدرولیکی پایین دست کانال های آبرفتی بر حسب پارامترهای مستقل مورد بررسی قرارگرفته است. 880 سری داده اندازه گیری شده از رودخانه ها و کانال های آزمایشگاهی تحت شرایط جریان و بسترهای متفاوت جمع آوری شد، که 498 سری داده برای آموزش و مابقی برای ارزیابی مدل ها استفاده گردید. صحت سنجی مدل های توسعه داده شده با استفاده از سری زمانی مکی-گلاس انجام گرفت. ارزیابی عملکرد مدل های توسعه داده شده با استفاده از شاخص های آماری CE، MSRE، MAPE، RMSE، RB و R2 حاکی از عملکرد رضایت بخش هر دو مدل در پیش بینی هندسه هیدرولیکی پایین دست کانال های آبرفتی است. بررسی دقیق تر و مقایسه نتایج دو مدل برای هر چهار متغیر نشان داد که مدل GMDH-HS در پیش بینی هندسه هیدرولیکی پایین دست کانال های آبرفتی عملکرد بسیار بالاتری داشته است.
کلید واژگان: جستجوی هارمونی، دسته بندی گروهی داده ها، مدل هوشمند مختلط، مورفولوژی رودخانه های آبرفتی هیدرولیکIntroductionAlluvial rivers always change their hydraulic geometry to achieve a balance between water discharge, input and output sediment. Hydraulic geometry focuses specifically on the evolution of the river form and how the bed and channel influence this evolution. The morphology of alluvial rivers has led to the creation of two concepts: (1) at-a-station hydraulic geometry and (2) downstream hydraulic geometry (Julien, 2015). Downstream hydraulic geometry is defined by the top channel width (W), average flow depth (h), mean flow velocity (V), and slope of the flow energy (S) under bankfull conditions. Downstream hydraulic geometry as a function of hydraulic parameters and bed conditions, including flow rate, median size of bed particles and the Shields parameter is paramount to determine the state of a river. Therefore, various relationships have been derived based on various methods to estimate the channel hydraulic geometry, include: empirical relationships based on collected fields observation and theoretical relationships based on governing equations such as flow rate, resistance to flow, secondary flow and sediment transport in alluvial river. Result of theoretical derivations indicated reasonable agreement with field observations and regime equations. In recent years, intelligent data driven methods is used as new methods for predicting and estimating the parameters of complex hydraulic models. One of the common methods is the Group Method of Data Handling (GMDH) with self-organization approach, which has the ability to solve complex non-linear problems with higher accuracy and simpler structure. In GMDH method the coefficients of the polynomial are found by a Least Square Estimation (LSE) method. It is possible that combined the GMDH methods and optimization algorithms. By doing this, a hybrid method will be created. In this method an optimization algorithm used to calibrate the weights of each neuron in GMDH rather than LSE method and so the hybrid methods may have better performance. The GMDH method is combined with artificial intelligence and optimization techniques such as harmony search (HS) optimization method. Harmony search algorithm (HS) is one of the optimization methods that used to solve nonlinear problems, which was introduced in 2001 by Geem et al. based on a metaheuristic technique. The advantages of this algorithm are less computations to find a solution, fast convergence and significant ability to achieve the optimal solution due to the appropriate structure. HS algorithm has become one of the most used optimization algorithms because can be used for both continuous and discrete problems. Since the GMDH algorithm has a self-organizing approach and its structure is initially unclear, the Harmony search algorithm is used to train and optimize the weights in the structure of each neuron in the GMDH network. In fact, the objective of HS sub model is to determine the optimal weights in short time to achieve the optimal GMDH structure and minimize the cumulative error between the measured and computed data sets.
MethodsIn this study, to predict and improve the accuracy of the relations of the downstream hydraulic geometry in alluvial channels the GMDH model and a hybrid intelligent model based on the combination of GMDH and HS optimization algorithm that called GMDH-HS developed in the MATLAB software. Before using the developed models to predict and improve the accuracy of downstream hydraulic geometry in alluvial channels, it is necessary to check the accuracy of their results. Typically, researchers use the Mackey and Glass standard time series to verify the accuracy of developed models. Therefore, the validation of the developed models was done using the Mackey-Glass time series and calculated the verification results of the models for the two prediction methods by the CE, RMSE, MSRE, MPAE and RB criteria. To evaluate the developed models, 880 data series were collected from previous research. This data set include a wide range of field and laboratory measurement data. From this collection, 498 series were used to train and 382 remaining data series employed to test models. The results of GMDH and GMDH-HS are compared with observed data. Also, the intelligent models results are compared with theoretical equations proposed by Lee and Julian (2006).
ResultsEvaluate the performance of developed models using statistical indices CE, MSRE, MAPE, RMSE, RB and R2 indicate satisfactory performance of both models in predicting the downstream hydraulic geometry alluvial channels. A closer examination and comparison of the results of the two models showed that the hybrid GMDH-HS model had a much higher performance in predicting hydraulic geometry. Also, the comparison of the statistical indices obtained from the results of both developed models with the theoretical relationships presented by Lee and Julein (2006) suggests the very satisfactory performance of the hybrid intelligent model GMDH-HS in predicting the downstream hydraulic channel geometry in alluvial channels.
Keywords: Alluvial river morphology, Group Method of Data Handling, Harmony search, Hydraulic, Intelligent hybrid model
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.