ارزیابی قابلیت روش تجزیه متعامد سره جهت تعیین ورودی به مدل شبکه عصبی برای پیش‌بینی جریان ماهانه ورودی به سد علویان

محورهای موضوعی : مدیریت منابع آب

صابر معظمی ¹ (استادیار مهندسی عمران، مرکز تحقیقات علوم زیستمحیطی، واحد اسلامشهر، دانشگاه آزاد، تهران، ایران)
روح اله نوری ² (استادیار مهندسی محیط‌زیست، گروه مهندسی عمران، دانشگاه اراک، اراک، ایران. *(مسوول مکاتبات))
محمدرضا وصالی ناصح ³ (استادیار محیط‌زیست، موسسه تحقیقات آب وزارت نیرو، تهران، ایران)
عباس اکبرزاده ⁴ (استادیار مهندسی محیط‌زیست، دانشکده تحصیلات تکمیلی محیط‌زیست، دانشگاه تهران، تهران، ایران)

تاریخ دریافت : 1395/08/09 تاریخ پذیرش : 1396/02/27 تاریخ انتشار : 1399/07/01

کلید واژه: شبکه عصبی مصنوعی, دبی ماهانه, سد علویان, تجزیه متعامد سره,

چکیده مقاله :

زمینه و هدف: سدها به عنوان یکی از اساسی‌ترین منابع تامین آب شرب، کشاورزی، برق‌آبی و صنعتی از نقش مهمی در توسعه جوامع انسانی و محیط‌زیست اطراف خود برخوردارند. بنابراین با توجه به نقش اساسی سدها در پویایی محیط اطراف خود، برآورد جریان ورودی به آن‌ها از اهمیت ویژه‌ای برخوردار بوده و از ابزارهای مهم و مؤثر در مدیریت بهینه کمی و کیفی منابع آب است. روش بررسی: در این تحقیق سعی شده تا با استفاده از مدل هوش مصنوعی شبکه عصبی مصنوعی (ANN) اقدام به مدل‌سازی جریان ماهانه رودخانه صوفی‌چای، ورودی به سد علویان، گردد. همچنین به منظور بهبود عملکرد مدل‌ مذکور و با توجه به اطلاعات زیاد ورودی به این مدل، از روش تجزیه متعامد سره (POD) به منظور تعیین بهترین الگوی ورودی به مدل ANN استفاده گردید. در نهایت نیز عملکرد دو مدل ANN و مدل ترکیبی POD-ANN بر پایه آماره‌های ضریب تعیین (R2)، میانگین خطای مطلق (MAE) و میانگین قدرمطلق خطای نسبی (AARE) مورد ارزیابی قرار گرفت. یافته‌ها: نتایج این تحقیق مشخص نمود که اگرچه مقادیر پیش‌بینی شده دبی ورودی به مخزن سد توسط مدل ANN نزدیک به مقادیر مشاهده‌ای هستند اما عملکرد آن در نقاط با دبی بالا با خطای قابل توجهی همراه است. همچنین یافته‌های این تحقیق حاکی از عملکرد بهتر مدل POD-ANN نسبت به مدل ANN در نقاط با دبی بالا بود. در حالت کلی نتایج به دست آمده از مدل POD-ANN اجرا شده مشخص نمود که مقدار آماره‌های R2، MAE و AARE مدل در هر دو مرحله واسنجی و صحت‌سنجی بهبود قابل توجهی نسبت به مقادیر مشابه در مدل ANN داشته‌اند. مقدار آماره‌های R2، MAE و AARE در مرحله صحت‌سنجی POD-ANN به ترتیب معادل 93/0، 79/0 و 54/0 بود. بحث و نتیجه‌گیری: عملکرد بهتر مدل POD-ANN در دبی با مقادیر بالا نسبت به مدل ANN می‌تواند به دلیل عمل پیش‌پردازش بر روی متغیرهای ورودی و کاهش تعداد آن‌ها در مدل POD-ANN در مقایسه با مدل ANN باشد. بنابراین می‌توان نتیجه‌گیری نمود که عمل پیش‌پردازش بر روی متغیرهای ورودی به مدل ANN و کاهش تعداد متغیرهای ورودی به این مدل همراه با بهبود عملکرد آن بوده است.

چکیده انگلیسی:

Background and Objective: Dams play an important role in development of countries by drinking and agricultural water supply, flood control, hydropower energy supply and recreational purposes. Constructing a dam and making an artificial lake has an important effect on surrounding environment, so being able to forecast the inflow to the dam is an important issue for water resource management. Method: In this study artificial neural network (ANN) was applied to forecast the monthly inflow from Soofichai River to Alavian Dam. Regarding the huge amount of input data to ANN model and for optimizing its application, proper orthogonal decomposition (POD) was used in order to determine the best inputs for ANN model . Finally, the application of ANN and POD-ANN models was evaluated by determination coefficient (R2), mean absolute error (MAE) and average of absolute relative error (AARE). Findings: Results of ANN and POD-ANN models indicated that although ANN output is close to the observed values of inflow to the dam, but it has significant errors. POD-ANN model showed better results than ANN model for high values of inflow. In generall, comparing R2, MAE and AARE values of two models revealed that POD-ANN model had better performance in both calibration and verification steps in comparison with ANN model. R2, MAE and AARE in verification step of POD-ANN model were 0.93, 0.79, and 0.54, respectively. Discussion and Conclusion: Preprocessing data contributes to better performance of  POD-ANN than ANN model, especially in high values of inflow. Therefore, it can be concluded that applying data preprocessing and reducing inputs to ANN model enhances its performance.

منابع و مأخذ:

1. Noori, R., Karbassi, A.R., Moghaddamnia, A., Han, D., Zokaei-Ashtian, M.H., Farokhnia, A. (2011). Assessment of input variables determination on the SVM model performance using PCA, Gamma test, and forward selection techniques for monthly stream flow prediction. Journal of Hydrology 401(3): 177-189.


2. Zhang, B., Govindaruja, R.S. (2000). Prediction of watershed runoff using Bayesian concepts and modular neural networks. Water Resources Research 36(3): 753-762.


3. Nayak, P.C., Sudheer, K.P., Rangan, D.M., Ramasastri, K.S. (2004). A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology 291: 52-66.


4. Lin, J.Y., Cheng, C.T., Chau, K.W. (2006). Using support vector machines for long-term discharge prediction. Hydrological Sciences Journal 51(4): 599-612.


5. He, Z., Wen, X., Liu, H., Du, J. (2014). A comparative study of artificial neural network, adaptive neuro fuzzy inference system and support vector machine for forecasting river flow in the semiarid mountain region. Journal of Hydrology 509: 379-386.


6. Noori, R., Asadi, N., Deng, Z. (2018). A simple model for simulation of reservoir stratification. Journal of Hydraulic Research 57(4):561-572. DOI:10.1080/00221686.2018.1499052


7. Ravindran, S.S. (2000). A reduced-order approach for optimal control of fluids using proper orthogonal decomposition. Int. J. Numer. Methods Fluids 34: 425-448.


8. Noori, R., Tian, F., Berndtsson, R., Abbasi, M.R., Naseh, M.V., Modabberi, A., Soltani, A., Kløve, B. (2019). Recent and future trends in sea surface temperature across the Persian Gulf and Gulf of Oman. PloS One 14(2):p.e0212790. DOI:10.1371/journal.pone.0212790.


9. Noori, R., Yeh, H.D., Ashrafi, K., Rezazadeh, N., Bateni, S.M., Karbassi, A., Kachoosangi, F.T., Moazami, S. (2015). A reduced-order based CE-QUAL-W2 model for simulation of nitrate concentration in dam reservoirs. Journal of Hydrology 530: 645-656.


10. Noori, R., Tian, F., Ni, G., Bhattarai, R., Hooshyaripor, F., Klöve, B. (2019). ThSSim: a novel tool for simulation of reservoir thermal stratification. Scientific Reports 9(1): 18524. DOI: 10.1038/s41598-019-54433-2.


11. Noori, R., Abbasi, M.R., Adamowski, J.F. and Dehghani, M. (2017). A simple mathematical model to predict sea surface temperature over the northwest Indian Ocean. Estuarine, Coastal and Shelf Science 197: 236-243.


12. Noori, R., Safavi, S. and Shahrokni, S.A.N. (2013). A reduced-order adaptive neuro-fuzzy inference system model as a software sensor for rapid estimation of five-day biochemical oxygen demand. Journal of Hydrology 495: 175-185.


13. Noori, R., Karbassi, A., Ashrafi, K., Ardestani, M., Mehrdadi, N. and Bidhendi, G.R.N. (2012). Active and online prediction of BOD5 in river systems using reduced-order support vector machine. Environmental Earth Sciences 67: 141-149.


14. Modabberi, A., Noori, R., Madani, K., Ehsani, A.H., Mehr, A.D., Hooshyaripor, F. and Kløve, B. (2020). Caspian Sea is eutrophying: the alarming message of satellite data. Environmental Research Letters 15(12):p.124047. DOI:10.1088/1748-9326/abc6d3.


15. Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. Prentice Hall, New Jeresy.


16. Noori, R., Khakpour, A., Omidvar, B. and Farokhnia, A. (2010). Comparison of ANN and principal component analysis-multivariate linear regression models for predicting the river flow based on developed discrepancy ratio statistic. Expert Systems with Applications 37: 5856-5862.


17. Coulibaly, P., Ancti, F., Bobee, B. (2000). Daily reservoir inflow forecasting using artificial neural networks with stopped training approach. Journal of Hydrology 230: 244-257.