پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,697 |
| تعداد مقالات | 72,341 |
| تعداد مشاهده مقاله | 129,624,878 |
| تعداد دریافت فایل اصل مقاله | 102,371,339 |
شبیه‌سازی جریان ماهانه رودخانه با استفاده از مدل رگرسیون ماشین بردار پشتیبان بهبود‌یافته با استفاده از الگوریتم بهینه‌سازی گرگ خاکستری | ||
| تحقیقات آب و خاک ایران | ||
| دوره 56، شماره 1، فروردین 1404، صفحه 151-170 اصل مقاله (2.27 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.375107.669692 | ||
| نویسندگان | ||
| صفورا پیروزمهر1؛ سعید شعبانلو* 2؛ فریبرز یوسفوند3؛ بهروز یعقوبی3؛ احمد رجبی3؛ محمد علی ایزدبخش3 | ||
| 1دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی ، کرمانشاه ، ایران | ||
| 2دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه،ایران | ||
| 3گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| چکیده | ||
| اندازه‌گیری جریان رودخانه‌ها یکی از مهم‌ترین مسائل در مدیریت رودخانه است به همین دلیل همواره تلاش می‌شود از روش‌های دقیقی برای اندازه‌گیری آن استفاده شود. هدف این مطالعه بهبود کارایی مدل رگرسیون بردار پشتیبان (SVR) با استفاده از الگوریتم بهینه‌سازی گرگ خاکستری (GWO) برای مدل‌سازی جریان ماهانه رودخانه است. برای این کار از داده‌های ماهانه جریان ماهانه رودخانه، بارندگی و دما طی 15 سال (از سال 1400 تا 1385) استفاده شد. برای انتخاب بهترین متغیرهای ورودی به مدل SVR و GWO-SVR از روش سعی و خطا استفاده شد. بر اساس نتایج حاصل از این روش Q(t-1) R(t-1),T(t-1) بهترین متغیرهای مستقل برای شبیه‌سازی متغیر Q_t هستند. از 80درصد همه دادهها برای آموزش و 20 درصد دادهها برای صحت‌سنجی مدلهای SVR و GWO-SVR استفاده شد، از شاخصهای R^2، RMS وNSE برای ارزیابی کارایی مدلها استفاده شد. برای توسعه مدلها از توابع فعال‌ساز خطی(LKF)، چندجمله ایی(PKF)،تابع پایه شعاعی(RBF)، سیگموید(SKF) استفاده شد. ابتدا از روش سعی و خطا برای تعیین پارامترهای توابع فعال‌ساز استفاده شد.بر اساس نتایجحاصل از این مطاله مدل SVR با تابع فعال‌ساز چندجمله ایی بهترین عملکرد را در مرحله آموزش و صحت‌سنجی دارد و با تابع فعال‌ساز خطی بدترین عملکرد را در مرحله اموزش و صحت‌سنجی دارد. سپس از الگوریتم GWO برای تعیین پارامترهای توابع فعال‌ساز استفاده شد. بر اساس نتایج حاصل مدل SVR با الگورییتم GWO عملکرد بهتری دارد. بنابرین برای شبیه‌سازی جریان ماهانه اب رودخانه با استفاده از این مدل بهتر است به جای روش سعی و خطا از الگوریتم GWO استفاده شود | ||
| کلیدواژه‌ها | ||
| جریان ماهانه رودخانه؛ رگرسیون بردار پشتیبان؛ الگوریتم بهینه سازی گرگ خاکستری؛ مدیریت منابع آب | ||
| عنوان مقاله [English] | ||
| Simulation of monthly river flow using improved support vector machine regression model using gray wolf optimization algorithm | ||
| نویسندگان [English] | ||
| Safoura Pirouzmehr1؛ saeid shabanlou2؛ fariborz yosefvand3؛ Behrouz Yaghoubi3؛ ahmad rajabi3؛ mohammad ali izadbakhsh3 | ||
| 1Ph.D. Candidate, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran | ||
| 2Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran. | ||
| 3Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran | ||
| چکیده [English] | ||
| Measuring the flow of rivers is one of the most important issues in river management, that's why it is always tried to use accurate methods for its measurement. The aim of this study is to enhance the performance of Support Vector Regression (SVR) model using the Gray Wolf Optimization (GWO) algorithm for monthly river flow modeling. For this purpose, the monthly data of river flow, precipitation and temperature during 15 years (from 1400 to 2015) are used. The trial and error procedure is used to select the best input variables to the SVR and GWO-SVR models. Based on the results of this method, Q(t-1), R(t-1), T(t-1) are the best independent variables for simulating the variable Q_t. 80% of all data are used for training and 20% for validating the SVR and GWO-SVR models. Also, R^2, RMS and NSE indices are utilized to evaluate the efficiency of the models, linear (LKF), polynomial (PKF), radial basis function (RBF), and sigmoid (SKF) activation functions are used to develop the models. First, the trial and error procedure is used to determine the parameters of the activation functions. Based on the results of this study, the SVR model with the polynomial activation function has the best performance in the training and validation stage, and the worst performance with the linear activation function in the training and verification stages. Then, the GWO algorithm is used to determine the parameters of the activation functions. Based on the results, the SVR model performs better with the GWO algorithm. Therefore, to simulate the monthly flow of river using this model, it is better to use the GWO algorithm instead of the trial and error procedure. | ||
| کلیدواژه‌ها [English] | ||
| Monthly river flow, support vector regression, gray wolf optimization algorithm, water resources management | ||
| مراجع | ||
|
Abualigah, L., & Diabat, A. (2020). A comprehensive survey of the Grasshopper optimization algorithm: results, variants, and applications. Neural computing and applications, 32(19), 15533-15556. Awad, M., Khanna, R., Awad, M., & Khanna, R. (2015). Support vector regression. Efficient learning machines: Theories, concepts, and applications for engineers and system designers, 67-80. Brierley, G. J., & Fryirs, K. A. (2013). Geomorphology and river management: applications of the river styles framework. John Wiley & Sons. Cui, F., Salih, S. Q., Choubin, B., Bhagat, S. K., Samui, P., & Yaseen, Z. M. (2020). Newly explored machine learning model for river flow time series forecasting at Mary River, Australia. Environmental Monitoring and Assessment, 192, 1-15. Fallahi, M.M., Yaghoubi, B., Yosevfand, F., Shabanlou, S. (2020). Improvement of Gene Expression Programming Model Performance using Wavelet Transform for the Estimation of Long-Term Rainfall in Rasht City. Jwss, 24(3), 1-16. (in Persian) Faris, H., Aljarah, I., Al-Betar, M. A., & Mirjalili, S. (2018). Grey wolf optimizer: a review of recent variants and applications. Neural computing and applications, 30, 413-435. Fathian, F., Mehdizadeh, S., Sales, A. K., & Safari, M. J. S. (2019). Hybrid models to improve the monthly river flow prediction: Integrating artificial intelligence and non-linear time series models. Journal of Hydrology, 575, 1200-1213. Goorani, Z., & Shabanlou, S. (2021). Multi-objective optimization of quantitative-qualitative operation of water resources systems with approach of supplying environmental demands of Shadegan Wetland. Journal of Environmental Management, 292, 112769. Hearst, M. A., Dumais, S. T., Osuna, E., Platt, J., & Scholkopf, B. (1998). Support vector machines. IEEE Intelligent Systems and their applications, 13(4), 18-28. Heidari, A. A., Mirjalili, S., Faris, H., Aljarah, I., Mafarja, M., & Chen, H. (2019). Harris hawks optimization: Algorithm and applications. Future generation computer systems, 97, 849-872. Jalili, A.A., Najarchi, M., Shabanlou, S. et al. Multi-objective Optimization of water resources in real time based on integration of NSGA-II and support vector machines. Environ Sci Pollut Res 30, 16464–16475 (2023). https://doi.org/10.1007/s11356-022-22723-4 Kamboj, V. K., Nandi, A., Bhadoria, A., & Sehgal, S. (2020). An intensify Harris Hawks optimizer for numerical and engineering optimization problems. Applied Soft Computing, 89, 106018. Marlia, M., Syaharuddin, S., Handy, M. R. N., Subiyakto, B., & Ilhami, M. R. (2022). Changes in the Behavior of the Riverside Community of Banua Anyar Village towards River Management Policies. The Kalimantan Social Studies Journal, 4(1), 48-55. Mazraeh, A., Bagherifar, M., Shabanlou, S., & Ekhlasmand, R. (2023). A Hybrid Machine Learning Model for Modeling Nitrate Concentration in Water Sources. Water, Air, & Soil Pollution, 234(11), 1-22. Mazraeh, A., Bagherifar, M., Shabanlou, S., & Ekhlasmand, R. (2024). A novel committee-based framework for modeling groundwater level fluctuations: A combination of mathematical and machine learning models using the weighted multi-model ensemble mean algorithm. Groundwater for Sustainable Development, 24, 101062. Meraihi, Y., Gabis, A. B., Mirjalili, S., & Ramdane-Cherif, A. (2021). Grasshopper optimization algorithm: theory, variants, and applications. Ieee Access, 9, 50001-50024. Mirjalili, S., Mirjalili, S. M., & Lewis, A. (2014). Grey wolf optimizer. Advances in engineering software, 69, 46-61. Mojaddadi, H., Pradhan, B., Nampak, H., Ahmad, N., & Ghazali, A. H. b. (2017). Ensemble machine-learning-based geospatial approach for flood risk assessment using multi-sensor remote-sensing data and GIS. Geomatics, Natural Hazards and Risk, 8(2), 1080-1102. Siddiqi, T. A., Ashraf, S., Khan, S. A., & Iqbal, M. J. (2021). Estimation of data-driven streamflow predicting models using machine learning methods. Arabian Journal of Geosciences, 14(11), 1058. Smola, A. J., & Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and computing, 14, 199-222. Suthaharan, S., & Suthaharan, S. (2016). Support vector machine. Machine learning models and algorithms for big data classification: thinking with examples for effective learning, 207-235. Teng, Z.-j., Lv, J.-l., & Guo, L.-w. (2019). An improved hybrid grey wolf optimization algorithm. Soft computing, 23, 6617-6631. Torabi, A., Yosefvand, F., Shabanlou, S. et al. Optimization of Integrated Operation of Surface and Groundwater Resources using Multi-Objective Grey Wolf Optimizer (MOGWO) Algorithm. Water Resour Manage 38, 2079–2099 (2024). https://doi.org/10.1007/s11269-024-03744-9 Yildiz, B. S., Pholdee, N., Bureerat, S., Yildiz, A. R., & Sait, S. M. (2022). Enhanced grasshopper optimization algorithm using elite opposition-based learning for solving real-world engineering problems. Engineering with Computers, 38(5), 4207-4219. Zhang, Z., Zhang, Q., Singh, V. P., & Shi, P. (2018). River flow modelling: comparison of performance and evaluation of uncertainty using data-driven models and conceptual hydrological model. Stochastic environmental research and risk assessment, 32, 2667-2682. | ||
|
آمار تعداد مشاهده مقاله: 53 تعداد دریافت فایل اصل مقاله: 69 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب