پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,476 |
| تعداد مقالات | 70,001 |
| تعداد مشاهده مقاله | 122,879,470 |
| تعداد دریافت فایل اصل مقاله | 96,071,411 |
ارزیابی عملکرد الگوریتم خفاش در بهینه‌سازی پارامترهای مدل غیرخطی ماسکینگام برای روندیابی سیلاب | ||
| اکوهیدرولوژی | ||
| مقاله 8، دوره 4، شماره 4، دی 1396، صفحه 1025-1032 اصل مقاله (620.64 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2017.63233 | ||
| نویسندگان | ||
| محمد احترام1؛ حجت کرمی* 2؛ سید فرهاد موسوی3؛ سعید فرزین2؛ سعید سر کمریان4 | ||
| 1دانشجوی دکتری، دانشکدۀ مهندسی عمران، دانشگاه سمنان | ||
| 2استادیار، دانشکدۀ مهندسی عمران، دانشگاه سمنان | ||
| 3استاد، دانشکدۀ مهندسی عمران، دانشگاه سمنان | ||
| 4دانشجوی دکتری، دانشکدۀ مهندسی عمران، دانشگاه چمران | ||
| چکیده | ||
| در این پژوهش، الگوریتم خفاش به‌عنوان الگوریتمی مبتنی بر سرعت و مکان خفاشها در بهینه‌سازی پارامترهای مدل غیرخطی ماسکینگام برای روندیابی سیلاب استفاده شده است. به‌منظور بررسی کارایی این الگوریتم، مطالعۀ موردی سیل ویلسون و همچنین یک سیل تاریخی از منطقۀ لیقوان به‌منظور روندیابی سیلاب و محاسبۀ پارامترهای مدل ماسکینگام انتخاب شد. مجموع مربعات انحرافات و مجموع قدر مطلق انحرافات بین دبیهای روندیابی‌شده و مشاهداتی، به‌عنوان توابع هدف در نظر گرفته شد. بر اساس نتایج بهدستآمده از روندیابی سیل ویلسون با استفاده از الگوریتم خفاش، مقادیر این توابع هدف به‌ترتیب برابر 14/35 و 76/22 مترمکعب بر ثانیه است. نتایج روندیابی سیل لیقوان با الگوریتم خفاش نیز نشان داد مجموع مربعات انحرافات، مجموع قدر مطلق انحرافات و تفاوت بین دبیهای اوج مشاهداتی و روندیابی‌شده به‌ترتیب برابر 24/7، 23/6 و صفر مترمکعب بر ثانیه است. در تحقیق حاضر، عملکرد الگوریتم خفاش با الگوریتمهای تکاملی نظیر الگوریتم ژنتیک، ازدحام ذرات و هارمونی مقایسه شد. نتایج بیان‌کنندۀ برتری روش خفاش برای محاسبۀ دقیق پارامترهای مدل ماسکینگام و پیشبینی دقیق سیلاب است. بنابراین، از دستاوردهای تحقیق حاضر میتوان به معرفی روش الگوریتم خفاش برای حل مسائل مرتبط با هیدرولوژی و مدیریت منابع آب اشاره داشت بهگونهای که در بسیاری از این مسائل با توابع هدف غیرخطی و قیود پیچیده مواجهیم که الگوریتم یادشده پاسخ‌های با‌کیفیت در کمترین زمان ممکن را دارد. | ||
| کلیدواژه‌ها | ||
| الگوریتم خفاش؛ بهینه‌سازی؛ روندیابی سیل؛ سیلاب ویلسون؛ سیلاب لیقوان؛ مدل ماسکینگام | ||
| عنوان مقاله [English] | ||
| Evaluation of the performance of bat algorithm in optimization of nonlinear Muskingum model parameters for flood routing | ||
| نویسندگان [English] | ||
| Mohammad Ehteram1؛ Hjoat Karami2؛ Sayed-Farhad Mousavi3؛ Saeed Farzin2؛ Saeed Sarkamaryan4 | ||
| 1PhD candidate, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| 2Assistant Professor, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| 3Professor, Faculty of Civil Engineering, Semnan University, Semnan, Iran | ||
| 4PhD candidate, Faculty of Civil Engineering, Chamran University, Ahvaz, Iran | ||
| چکیده [English] | ||
| In this study, bat algorithm is used as an algorithm based on velocity and location of bats to optimize the parameters of Muskingum's nonlinear model for flood routing. The case study of Wilson flood as well as a historical flood from Lighvan area were selected for flood routing and calculating the parameters of Muskingum's model, with the aim of examining the efficiency of this algorithm. The sum of squares of deviations and the sum of the absolute values of deviations between routed and observational flows were considered as the objective functions. According to the results obtained from the Wilson flood routing using the bat algorithm, the values of these objective functions are equal to 35.14 and 22.76 m3 per second, respectively. The results of routing of Lighvan flood by using bat algorithm also indicated that the sum of squared deviations, the sum of absolute values of deviations, and the difference between observed and routed peak flows are equal to 7.24, 6.23 and 0 m3/s, respectively. In the present study, the performance of the bat algorithm was compared with evolutionary algorithms such as genetic, particle swarm, and harmony algorithms. | ||
| کلیدواژه‌ها [English] | ||
| Flood routing, Bat algorithm, Muskingum model, Optimizationو, Wilson flood | ||
| مراجع | ||
|
[1]. Das, A.. Parameter estimation for Muskingum models. Journal of Irrigation and Drainage Engineering. ASCE. (2004); 130(2): 140-147.
[2]. Ponce, V.M. and Lugo, A.. Modeling looped ratings in Muskingum-Cunge routing. Journal of Hydrologic Engineering (ASCE). (2001); 6(2): 119-124.
[3]. Chu, H.J. and Chang L.C.. Applying particle swarm optimization to parameter estimation of the nonlinear Muskingum model. Journal of Hydrologic Engineering (ASCE). (2009); 14(9):1024-1027.
[4]. Al-Hummed, J.M. and Essen, I.I. Approximate methods for the estimation of Muskingum flood routing parameters. Water Resources Management. (2006); 20: 979-990.
[5]. Geem, Z..Parameter Estimation for the Nonlinear Muskingum Model using the BFGS Technique. Irrigation and Drainage Engineering. ASCE. (2006); 132(5): 474-478.
[6]. Wang, G.T. and Chen, S. A semianalytical solution of the Saint-Venant equations for channel flood routing. Journal ofWater Resources Research. (2003); 39(4): 1-10.
[7]. Mohan, S. Parameter estimation of nonlinear Muskingum models using Genetic Algorithm. Hydraulic Engineering (ASCE). (1997);132(2): 137-142.
[8]. Xu, D.M., Qiu, L. and Chen, S.Y. Estimation of nonlinear Muskingum model parameter using differential evolution. Journal of Hydrologic Engineering (ASCE). (2011);17: 348-353.
[9]. Kim, J.H., Geem, Z.W. and Kim, E.S.. Parameter estimation of the nonlinear Muskingum model using Harmony Search, Journal of The American Water Resources Association. (2001);37: 1131-1138.
[10]. Orouji, H., Bozorg-Haddad, O., Fallah-Mehdipour, E. and Mariño, M.A.,. Flood routing in branched river by genetic programming. Water Management. (2012); 167(2): 115-123.
[11]. Ouyang, A., Liu, L. and Li, K.. GPU-based variation of parallel invasive weed optimization algorithm for 1000D functions. Natural Computation (ICNC). 10th International Conference. (2014);19-21 August. Xiamen.
[12]. Yang, X.S. and Gandomi, A.H. Bat algorithm: A novel approach for global engineering optimization. Engineering Computations. (2012); 29(5): 464–483.
[13]. Ahmadianfar, I., Adib, A., and Salarijazi, M. Optimizing multireservoir operation: Hybrid of bat algorithm and differential evolution. J. Water Resour. Plann. Manage. (2015);, 10.1061/(ASCE)WR.1943-5452.
[14]. Yang, X.S. A new metaheuristic bat-inspired algorithm. Nature inspired cooperative strategies for optimization (NISCO 2010), J. R. Gonzalez, et al. Eds., Springer, Berlin, (2010) 284: 65-74.
[15]. Yang, X.S. Meta-heuristic optimization with applications: Demonstration via bat algorithm. Proc. 5th Bioinspired Optimization Methods and Their Applications (BIOMA2012), Bohinj, Slovenia, pp. (2012); 23–34.
[16]. Yoon, J.W. and Padmanabhan, G. Parameter estimation of linear and nonlinear Muskingum models. Water Resources Planning and Management (ASCE). (1993); 119(5): 600-610.
[17]. Ghafari, A., Fakheri, A.Flood routing based on hydraulic model and hydrologic model. Water and soil. (2011); 201 (3):48-70 (In Persian).
[18]. Barati, R. Discussion of ‘Parameter estimation of the nonlinear Muskingum model using parameter-setting-free harmony search’ by Z. W. Geem. J. Hydrology. (2012);.1943-5584
.
[19]. Barati, R. Application of Excel solver for parameter estimation of the nonlinear Muskingum models. KSCE J. Civil. Engineering., (2013);17(5), 1139–1148.
[20]. Barati, R. Closure to ‘Parameter estimation of nonlinear Muskingum model using Nelder-Mead simplex algorithm’ by R. Barati. J. Hydrol. Eng. (2013);, 367–370.
[21]. Easa, S. M. Multi-criteria optimisation of the Muskingum flood model: A new approach. Proc. ICE Water Manage., (In Persian). (2014). 16(4):214-228 [22]. Easa, S. M. Versatile Muskingum flood model with four variable parameters. Proc. ICE - Water Manage., (2014);168(3): 139–148. | ||
|
آمار تعداد مشاهده مقاله: 2,629 تعداد دریافت فایل اصل مقاله: 1,198 |
||