پیش‌بینی سرعت پیک آلودگی در رودخانه با استفاده از روش GMDH و روش هوشمند تلفیقی GMDH-HS

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی سازه‌های آبی، بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

2 استادیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

3 دانشیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

تخمین مشخصات ماده آلوده کننده با استفاده از پارامتر‌های هندسی و هیدرولیکی جریان، یکی از عوامل مؤثر در پیش‌بینی انتقال آلودگی در رودخانه‌ها است. روش‌های عددی و تحلیلی مناسبی برای شبیه‌سازی انتقال و پخش آلودگی توسعه داده‌ شده‌‌، اما هیچ یک از آن‌ها قبل از کالیبره کردن با اطمینان قابل استفاده نیستند. بنابراین ساخت مدلی که بتواند با سرعت بیشتر و با اطلاعات کلی، انتقال آلودگی را پیش‌بینی کند، ضروری به نظر می‌رسد. از جمله روش‌های جدیدی که برای مدل‌سازی پیش‌بینی رفتار پدیده‌ها استفاده می‌شوند، روش‌های هوشمند داده‌ محور می‌باشند. در این پژوهش پیش‌بینی سرعت پیک آلودگی توسط دو مدل برخورد گروهی با داده‌ها (GMDH) و مدل هوشمند تلفیقی (GMDH-HS) صورت گرفت. بنابراین دو مدل با کد نویسی در نرم‌افزار MATLAB  بر مبنای دو روش ساخته و به‌کار گرفته شدند. پارامتر‌های ورودی به این مدل‌ها شامل دبی نسبی بی‌بعد (Q'a)، سطح نفوذ بی‌بعد (D'a)، نسبت دبی به سطح نفوذ بی‌بعد و شیب رودخانه (S) بود. به‌منظور صحت‌سنجی مدل‌های استفاده شده از تابع استاندارد Mackey-Glass استفاده شد. نتایج کاربرد دو مدل حاکی از عملکرد مناسب، دقت بالای هر دو مدل به ‌ویژه مدل GMDH و افزایش دقت محاسبه سرعت پیک آلودگی به میزان حدوداً 52 درصد نسبت به بهترین معادله رگرسیونی بود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of Peak Velocity of Pollutant Transport in Rivers Using Group Method Data Handling (GMDH) and Intelligent Hybrid Method GMDH-HS

نویسندگان [English]

  • ٍElham Gholkar 1
  • Mohammad Mehdi Ahmadi 2
  • Kourosh Qaderi 3
  • Majid Rahimpour 3
1 MSc Student of Water Structure, Department of Water Engineering, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
2 Assist. Prof., Department of Water Engineering, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
3 Assoc. Prof., Department of Water Engineering, Faculty of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
چکیده [English]

Estimating of the peak velocity of pollutant in a flow using hydraulic and geometrical parameters is very important in predicting the pollution transport in rivers. Suitable empirical equations are developed, none of which is reliable enough in estimating the peak velocity of pollutant before a thorough calibration. So, in this research artificial intelligence methods are used for this purpose. The objective of this research was to predict the peak velocity of pollutant by Group Method Data Handling (GMDH) methods and an intelligent hybrid method (GMDH-HS). The result of these methods were compared to the best regression equation. The dimensionless relative discharge (Q'a), dimensionless drainage area, the ratio of discharge at the section at the time of  measurement to drainage area (Q/Da) and the reached slope (S) were taken as input parameters to these models. These data were collected from several different rivers in the United States. Mackey-Glass standard function was used to evaluate the performance of the GMDH and GMDH-HS models. The results indicated that the proposed models predicted the peak velocity of pollutant precisely (CE GMDH =0.9328, CE GMDH-HS =0.9038 & CE Vp Equation=0.3802) and these models are more accurate compared to the best nonlinear regression equation..

کلیدواژه‌ها [English]

  • Estimating Peak Velocity
  • Intelligence Methods
  • Group Method Data Handling
  • GMDH-HS Method

Alikhani, K., Qaderi, K. & Ahmadi, M.M. 2012. Predicting the distribution of deposited sediment in Karaj reservoir using various improved harmony search algorithms. Journal of Soil and Water Conservation Research, 21(3), 165-184. (In Persian)

Faramarz, M., Ayubzadeh, S. & Mohammadi, K. 2005. Numerical simulation of distribution and transmission levels of pollution in the river floodplain. The 5th Iranian Hydraulic Conference. Shahid Bahonar University of Kerman, Kerman, Iran. (In Persian)

Harvey, E. & Jobson, H. E. 1996. Prediction of traveltime and longitudinal dispersion in rivers and streams. U.S. Geological Survey Water-Resources Investigations Report 84-4203, USA.

Hoseinzadeh, M., Qaderi, K. & Ahmadi, M. M. 2013. Stage-discharge relationship modeling in the river using intelligent methods (GMDH, NF-GMDH). National Conference Optimization of Water Use, Gorgan, Iran. (In Persian)

Ivakhnenko, A.G. 1968. Group method of data handling-rival of method of stochastic approximation. Sov. Autom. Control, 13(1), 43-55.

Jabson, H. E. 1995. Prediction of traveltime and longitudinal dispersion in rivers and streams. U.S. Geological Survey Open-File Report 71-0096, USA.

Julínek, T. & Říha, M. 2017. Longitudinal dispersion in an open channel determined from a tracer study. Environmental Earth Science, 76:592.http://doi.org/10.1007/s12665-017-6913-1

Razek, M. & Abouelnour, A. 1972. A statistical methodology for predicting pollutants in a river. Water Resources Bulletin, 8(1), 15-23.

Sanchez, E., Shibata T. & Zadeh, L. A. 1997. Genetic algorithms and fuzzy logic systems. World Scientific Publishing Co., Inc. River Edge, N.J., USA.

Sattar, A. M. A. & Gharabaghi, B. 2015. Gene expression models for prediction of longitudinal dispersion coefficient in streams. Journal of Hydrology, 524, 587-596.

Tsai, T. & Yen, T. 2017. GMDH algorithms applied to turbidity forecasting. Appl. Water Sci., 7 (3), 1151-1160.

Wiley, J. B. & Messinger, T. 2013. Estimation of traveltime and longitudinal dispersion in streams in West Virginia, West Virginia Bureau for Public Health, Office of Environmental Health Services, Scientific Investigations Report 2013-5182, Virginia, USA.

ZelenaKov, M., Carnogurska, M. & Gargar, I., 2012. Prediction of pollutant concentration in laborec river station, Slovak Republic. Procedia Engineering, 42, 1474-1473.