مدل پیش‌بینی جریان رودخانه با استفاده از سیستم فازی FIS و الگوریتم بهینه‌سازی PSO

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهرکرد

2 استادیار گروه مهندسی و آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران

چکیده

هدف از این مطالعه پیش‌بینی رواناب به‌صورت مکانی با استفاده از اطلاعات ایستگاههای هیدرومتری و هواشناسی بود. بررسی‌ها نشان می‌دهد که معمولاً ارتباطات مشخصی بین داده‌های هواشناسی و هیدرومتری بالادست حوضه با میزان رواناب تولیدی در خروجی حوضه وجود دارد و چنانچه بتوان قوانین نهفته در سابقه تاریخی داده‌های ثبت شده در این ایستگاهها را استخراج نمود، می‌توان به آسانی بر پایه اطلاعات اندازه‌گیری شده به پیش‌بینی میزان رواناب پرداخت. بر این اساس از بین ابزارهای موجود، تئوری فازی می‌تواند با انعطاف‌پذیری خود در تدوین قوانین فازی، دانش نهفته در داده‌های مشاهده‌ای را به‌نحوه مطلوبی به‌منظور پیش‌بینی پارامترها در زمان واقعی ارائه نماید. لذا در این تحقیق سیستم استنتاج فازی به‌منظور برآورد میزان رواناب در ایستگاهی واقع در پایین‌دست رودخانه طالقان‌رود با استفاده از آمار ایستگاههای باران‌سنجی و هیدرومتری بالادست رودخانه به‌کار گرفته شد. اجرای سیستم فازی معمولی نشان‌دهنده عدم کارایی مناسب این ابزار در ارائه مقادیر صحیح پیش‌بینی است که علت آن را می‌توان در نامناسب بودن مقادیر بازه‌ای مرتبط با توابع عضویت هر یک از پارامترهای مؤثر در فرایند مدل‌سازی جستجو نمود. با توجه به زمان‌بر بودن ساخت تابع عضویت متناسب با هر یک از پارامترها به‌دلیل تعدد حالات مختلف توابع عضویت، اقدام به استفاده ترکیبی از الگوریتم بهینه‌سازی مبتنی بر هوش جمعی به‌منظور تسریع و بهبود وضعیت مدل‌سازی گردید. با اجرای مدل ترکیبی، مقادیر بهینه مرتبط با هر یک از توابع عضویت متغیرهای وابسته و مستقل، استخراج شده و بر پایه آن و با استفاده از سیستم فازی اقدام به پیش‌بینی رواناب در ایستگاه پایین‌دست رودخانه گردید. نتایج نشان‌دهنده دقت بالای استفاده از روش ترکیبی پیشنهادی در مقایسه با روشهای کاربرد منفرد استنتاج فازی است به‌طوری که با استفاده از این مدل پیشنهادی می‌توان میزان دقیق‌تری از رواناب را برای شرایط آینده برآورد نمود.

کلیدواژه‌ها


عنوان مقاله [English]

The Stream Flow Prediction Model Using Fuzzy Inference System and Particle Swarm Optimization

نویسندگان [English]

  • Mahmoud Mohammad RezapourTabari 1
  • Jaber Soltani 2
1 Assist. Prof. of Civil Eng., Dept. of Eng., Shahrekord University, Shahrekord
2 Assist. Prof. of Irrigation and Drainage, Pardis Abu Rayhan, Tehran University
چکیده [English]

The aim of this study is the spatial prediction runoff using hydrometric and meteorological stations data. The research shows that usually there is a certain communication between the meteorological and hydrometric data of upstream basin and runoff rates in output basin. So, if can be extracted the rules related to historical data that recorded at stations, can be easily predicted runoff amount based on data measured. Accordingly, among the tools available, the fuzzy theory (with flexibility in developing fuzzy rules) can be provide the knowledge lies in the observed data to parameters prediction in real time. So, in this research the fuzzy inference system has been used for estimating runoff rates at stations located in the Taleghan river downstream using rain gage stations and hydrometric stations upstream. Because the inappropriate values associated with membership functions, the fuzzy system model can not provide correct value for the prediction. In this study, a combination of intelligence-based optimization algorithm and fuzzy theory developed to accelerate and improve modeling. The result of proposed model, optimum values to each membership function that related to dependent and independent variable extracted and based on it’s the runoff rates in rivers downstream predicted. The results of this study were shown that the high accuracy of proposed model compared with fuzzy inference system. Also based on proposed model can be more accurately the rate of runoff estimated for future conditions.

کلیدواژه‌ها [English]

  • Fuzzy inference system
  • optimization
  • Particle Swarm Optimization
  • runoff
  • Taleghan River

1- Korepazan, A. (2005). Fuzzy sets theory foundation and application in water engineering problem modeling, Amirkabir Pub., Tehran. (In Persian)

2- Shaebanynia, F., and Saeidnia, F. (2006). Fuzzy theory using MATLAB, Khaniran Pub., Tehran. (In Persian)

3- Zahidi, R. (2001). The application of nero-fuzzy in industry, Eziran Publisher, Tehran. (In Persian)

4- Zadeh, L.A. (1965). “Fuzzy sets.” J. of Information and Control, 8(3), 338-353.

5- Bárdossy, A., Bronstert, A., and Merz, B. (1995). “1-, 2- and 3-dimensional modeling of water movement in the unsaturated soil matrix using a fuzzy approach.” J. of Advances in Water Resources, 18(4), 237-251.

6- Bárdossy, A., and Duckstein, L. (1995). Fuzzy rule-based modeling with applications to geophysical, biological and engineering systems, CRC Press Inc., Boca Raton, Florida, USA.

7- Fontane, D.G., Timothy, K.G., and Moncado, E. (1997). “Planning reservoir operations with imprecise objectives.” J. of Water Resources Planning and Management, 123(3), 154-162.

8- ABEBE, A.J., Solomatine, D.P., and Venneker, R.G.W. (2000). “Application of adaptive fuzzy rule-based models for reconstruction of missing precipitation events.” J. of Hydrological Sciences, 45(3), 425-436.

9- Xiong, L., Shamseldin, A.V., and O'Connor, K.M. (2001). “A nonlinear combination of the forecasts of rainfall-runoff models by the first-order takagi-sugeno fuzzy systems.” J. of Hydrology, 245(1), 196-217.

10- Coppola, E.A., Duckstein, L., and Davis, D. (2002). “Fuzzy rule-based methodology for estimating monthly groundwater recharge in a temperate watershed.” j. of hydrologic Engineering, 7(4), 326-335.

11- Luchetta, A., and Manetti, S. (2003). “A real time hydrological forecasting system using a fuzzy clustering approach.” J. of Computers and Geosciences, 29(9), 1111-1117.

12- Singh, S.R. (2007). “A simple method of forecasting based on fuzzy time series.” J. of Applied Mathematics and Computation, 186(1), 330-339.

13- Wu, C.L., and Chau, K.W. (2006). “Evaluation of several algorithms in forecasting flood.” Lecture Notes in Artificial Intelligence, 4031, 111-116.

14- Wu, C.L., and Chau, K.W. (2006). “A flood forecasting neural network model with genetic algorithm.” Int. J. of Environment and Pollution, 28(3/4), 261-273.

15- Tareghian, R., and Kashefipour, S.M. (2007). “Application of fuzzy systems and artificial neural networks for flood forecasting.” J. of Applied Sciences, 7(22), 3451-3459.

16- Kuok, K.K., Harun, S., and Shamsuddin, S.M. (2010). “Particle swarm optimization feedforward neural network for modeling runoff.” Int. J. of Environ. Sci. Tech., 7(1), 67-78.

17- Chau, K.W. (2006). “Particle swarm optimization training algorithm for ANNs in stage prediction of shing Mun river.” J. of Hydrology, 329(3-4), 363-367.

18- Rajabpur, R., and Afshar, M.H. (2008). “Optimized operation of serial pump stations using the PSO algorithm.” J. of Water and Environment, 66(2), 56-66.