objective function
در نشریات گروه آبخیزداری، بیابان، محیط زیست، مرتع-
مقدمه و هدف
برآورد صحیح بار رسوب معلق رودخانه ها، نقش مهمی در مسایل مربوط به مدیریت منابع آب، آبخیزداری و علوم وابسته دارد. با توجه به دامنه وسیع تغییرات رسوب معلق در فصول مختلف سال و همچنین ماهیت به شدت غیرخطی و پیچیده آن، لازم است از روش هایی مناسب که می توانند چنین پدیده هایی را شبیه سازی و برآورد نمایند، استفاده شود.
مواد و روش هااز تبدیل لگاریتمی داده ها و الگوریتم بهینه سازی ازدحام ذرات چند هدفه (MOPSO)، در آموزش بهینه مدل های شبکه عصبی استفاده شد. بدین منظور در ابتدا، با کمک شبکه عصبی بدون ناظر (SOM)، داده های دبی جریان و دبی رسوب معلق ایستگاه هیدرومتری مورد مطالعه (دوره آماری 1395-1364) خوشه بندی و سپس با نمونه گیری از خوشه ها، مجموعه داده های مورد نیاز برای آموزش و آزمون مدل های شبکه عصبی تهیه گردید. پس از آن، به منظور ارزیابی تاثیر به کارگیری تبدیلات لگاریتمی و الگوریتم بهینه سازی MOPSO، سه سناریو تعریف شد. در سناریوی اول، داده های اولیه (بدون تبدیل لگاریتمی) و الگوریتم گرادیان مبنا رایج در آموزش مدل های شبکه عصبی (پس انتشار خطا)، در سناریوی دوم، الگوریتم پس انتشار خطا و تبدیلات لگاریتمی و در سناریوی سوم، از تبدیلات لگاریتمی و الگوریتم MOPSO، در آموزش مدل های شبکه عصبی استفاده گردید.
یافته هاارزیابی و مقایسه نتایج صحت سنجی مدل ها نشان داد که به کارگیری تبدیلات لگاریتمی و الگوریتم MOPSO، با کاهش خطای RMSE و درصد اریبی (PBIAS) از 49 تن در روز و 21- درصد، در بهترین مدل از سناریو اول، به 30/3 تن در روز و 6/3- درصد، در بهترین مدل ازسناریو سوم، کارایی مدل ها را افزایش داده است. از دیگر نتایج پژوهش، عدم برآورد ارقام منفی برای رسوب معلق بوده که یکی از خطاهای رایج در استفاده از مدل های شبکه عصبی در برآورد رسوب معلق است.
نتیجه گیریاستفاده از توابع هدف چندگانه، امکان حساس نمودن مدل ها به برآورد دقیق تر رسوب معلق در جریان های کم یا زیاد را فراهم نموده سبب می شوند، شاخص های صحت سنجی و اریبی مدل های داده مبنا بهبود یابند.
کلید واژگان: بهینه سازی چند هدفه ازدحام ذرات، تابع هدف، رسوب معلق، رودخانه قوری چایIntroduction and ObjectiveAccurate estimation of river suspended sediment load (SSL) has an important role in water resources, watershed management and related sciences. Due to the high fluctuations of SSL in different seasons of the year as well as its severely nonlinear and complexity nature, it is necessary to use appropriate methods that can simulate and estimate such phenomena.
Material and MethodsIn this study, data log transformation and multi-objective particle swarm optimization (MOPSO) algorithm were used for optimal training of neural network models. For this purpose, at first, by using unsupervised neural network (SOM), data of flow discharge and suspended sediment load of the studied hydrometric station (Statistical Period 1995-2016) were clustered. Then, by sampling the clusters, the data set needed to train and test the neural network models were prepared. After it, three scenarios were defined to evaluate the impact of applying logarithmic transformations and MOPSO optimization algorithm In the first scenario, the initial data (without logarithmic transformation) and the common base gradient algorithm in training neural network models (error propagation), in the second scenario, the error propagation algorithm and the logarithmic transforms, and in the third scenario, the logarithmic transforms and the MOPSO algorithm, was used to train neural network models.
ResultsEvaluation and comparison of the model validation results showed that applying a logarithmic transforms and MOPSO algorithm, by reducing RMSE error and bias percentage (PBIAS) from 49 ton/day and -21%, in the best model of the first scenario, to 30.3 ton/day and -6.3%, in the best model of scenario III, increased the efficiency of the models. Other results of the study are non-estimation of negative values for suspended sediment, which is one of the common errors in using neural network models in estimating suspended sediment.
ConclusionThe use of multiple objective functions makes it possible to sensitize the models to more accurately estimate the suspended sediment at low or high flows, thus improving the validation and skewness indices of the base data models.
Keywords: Ghorichai River, MOPSO, Objective Function, Suspended Sediment
- 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.