Prediction of Longitudinal Dispersion Coefficient of Pollution in Rivers Using a Modified of Neural Networksby Genetic Algorithm

محورهای موضوعی : Irrigation and Drainage

عباس پارسایی ¹ (گروه مهندسی آب دانشگاه لرستان، خرم آباد، ایران)
امیر حمزه حقی آبی ² (گروه مهندسی آب، دانشگاه لرستان، خرم آباد، ایران.)
امیر مرادی نژاد ³ (دانشگاه لرستان، خرم آباد، ایران.)

تاریخ دریافت : 1391/06/28 تاریخ پذیرش : 1391/02/05 تاریخ انتشار : 1391/10/01

کلید واژه: Optimization, الگوریتم ژنتیک, شبکه عصبی, Neural Networks, انتقال آلودگی, Dispersion coefficient, pollution in rivers.genetic algorithm, ضریب پخش آلودگی,

چکیده مقاله :

Reductionof Surface water quality and pollution in the environment is majorproblems. This issuewill become more important because the rivers are as a source for supplied for drinking water forpeople, industrial and agriculture. Prediction and modeling of hydraulic phenomenon is one of themost importantactivities of Hydraulic Engineering. Neural network is one of the most usefulmethods of data processing which capable of modeling the complex relationships between inputand output. In this study, for prediction of the dispersion coefficient of pollution in rivers andthedevelopment of neural network (ANN) and empirical formulas wasstudied. Best accuracy ofthem is related to the Tavakollizadeh and Kashefipur, formula which its error index R 2 􀀠 0.77 .To increase in the perdition of the dispersion coefficient, the multi-layer perceptron (MLP) wasdeveloped. Training process and simulation MLP model was conducted in the Matlabsoftwareenvironment.To increase the performance of the MLP, genetic algorithm for training process isused. The results showed that the MLP are more accurate in comparison with otherempiricalequations.Using genetic algorithms for neural network training the neural networkmodel will further increase its accuracy about the 19 percent.

چکیده انگلیسی:

فرایند پخشیدگی آلودگی در رودخانه‌ها بسیار پیچیده است. مدیریت صحیح کیفیت آب رودخانه نیازمند داشتن اطلاع دقیقی از ضریب پخشیدگی آلودگی است. توسعه مدل‌های تجاری جهت شبیه سازی عددی انتقال آلودگی در مجاری روباز مستلزم محاسبه ضریب پخشیدگی می‌باشد. هرچقدر دقت پیش بینی و محاسبه این پارامتر بیشتر باشد دقت و صحت مدل‌های مدل سازی نیز بیشتر می‌شود و درنهایت برنامه ریزی و تصمیم گیری های مدیریتی متناسب، با دقت و اطمینان بیشتری انجام خواهد شد. روش‌های فراوانی برای محاسبه ضریب پخشیدگی وجود دارد ازجمله روش‌های تجربی، تحلیلی و ریاضی. روش‌های تجربی به علت خطای زیاد، مورد توجه قرار نگرفته‌اند. روش‌های تحلیلی و ریاضی با منظور کردن فرضیات ساده سازی در مراحل مدل سازی، نیز علی رقم پیچیدگی محاسبات، نتایج قابل قبولی را ارائه نداده اند. بنابراین ارزیابی روابط تجربی به توسعه مدل شبکه عصبی چند لایه پرداخته شده است. معادلات تجربی در بهترین حالت دارای دقتی برابر با ( ) که مربوط به فرمول ارائه شده توسط کاشفی پور و توکلی زاده است. برای تخمین دقیق تر ضریب پخشیدگی مدل شبکه عصبی چند لایه توسعه داده شده است. دقت مدل شبکه عصبی در مراحل آموزش و آزمایش به ترتیب برابر با  بوده است. درادامه برای افزایش دقت و کارایی مدل شبکه عصبی، بهینه سازی ضرایب وزنی مورد نیاز شبکه عصبی با استفاده از الگوریتم ژنتیک انجام شده است که عملکرد آن در مراحل آموزش و آزمایش به ترتیب برابر با  می باشد. نتیجه نهایی نشان می دهد که می توان دقت مدل شبکه عصبی توسعه داده شده را بدون افزایش تعداد سلول و یا تعداد لایه ها، تا حدود 19 درصد افزایش داد.

منابع و مأخذ:

اکبر زاده، ع.، نوری، ر.، فرخ نیا، ا.، خاکپور، ا.، و صباحی ،م. س. (1389). تحلیل دقت و عدم قطعیت مدل‌های هوشمند در پیش بینی ضریب انتشار طولی رودخانه‌ها. مجله آب و فاضلاب ،ص. 99-107.

ایزدی نیا،ا.و عابدی کوپایی، ج. (1389). تعیین ضریب پراکندگی طولی در رودخانه ها. مجله تحقیقات منابع آب،7(1)،ص.59-66.

البرزی،م.( 1380). آشنایی با شبکه های عصبی مصنوعی. مؤسسه انتشارات علمی. تهران.

پارسائی، ع.، احمدی، م. م. و قادری، ک. (1392)، شبیه سازی عددی انتشار آلودگی در رودخانه ها بوسیله توسعه  همزمان روش عددی حجم محدود و مدل شبکه عصبی تطبیقی مجله علوم ومهندسی آب، شماره(4)، ص 97-119.

پور آباده‌ای، م.، امیری تکلدانی، ا؛ و لیاقت، ع، (1386)، بررسی تأثیر پارامترهای جریان بر ضریب پخش عرضی آلودگی در یک کانال مستطیلی، ششمین کنفرانس هیدرولیک ایران، شهرکرد،ص.78-87.

پور آباده‌ای، م.، تکدانی، ا. م.و لیاقت، ع. (1384). بررسی پارامترهای جریان بر ضریب آلودگی در کانال‌های مستطیلی. پنجمین کنگره بین‌المللی مهندسی عمران. مشهد. 13تا 16 اردیبهشت ماه. دانشگاه فردوسی مشهد. مشهد، ایران. ص.45-65.

پور مقدم، م.و کوچک زاده، ص،(1388)، بررسی تأثیر شیب طولی بر ضریب اختلاط عرضی با روش جدید عکس‌برداری هوایی. هشتمین کنفرانس هیدرولیک ایران، دانشگاه تهران.ص.67-69.

پور مقدم، م. و کوچک زاده، ص. (1389). مطالعه اثر زبری بستر بر ضرایب انتشار و پخشیدگی مواد محلول در مقاطع مرکب، پنجمین کنگره ملی مهندسی عمران، مشهد.ص.45-56.

حسینی ،ج.، ابریشمی،س م. (1384). اصول جریان در مجاری روباز.انتشارات استان قدس رضوی.ص.56-59.

رضائی ع.ر، و رنجبران، س. (1386). آموزش کاربردی الگوریتم ژنتیک در نرم افزار Matlab.: انتشارات آذر-کتاب پدیده،تهران.ص.34-47.

ریاحی مدوار، ح.، و ایوب زاده، س. ع(1387). تخمین ضریب پراکندگی طولی آلودگی با استفاده از سیستم استنتاج فازی_عصبی انطباقی، نشریه آب و فاضلاب، 34.ص.-46.

جورابیان،م. و هوشمند،ر. (1380). منطق فازی و شبکه های عصبی (مفاهیم و کاربرد انتشارات دانشگاه شهید چمران، اهواز.ص.34-65.

کیا،س.م. (1391). محاسبات نرم در نزم افزار Matlab. انتشارات کیان رایانه سبز، ص 621.

محمودیان شوشتری،م.(1388). اصول جریان در مجاری روباز.انتشارات دانشگاه شهید چمران اهواز.دو جلد.

نظام آبادی،ح. (1389). الگوریتم وراثتی مفاهیم پایه و مباحث پیشرفته .انتشارات دانشگاه شهید باهنر کرمان.ص.34-45.

Atkinson, T. C. and Davis, P. M .(1999). Longitudinal dispersion in natural channels: l. Experimental results from the River Severn, U.K. Hydrol. Earth Syst. Sci., 4(3):pp. 345-353.

Azamathulla, H. and Ghani ,A. (2011). Genetic Programming for Predicting Longitudinal Dispersion Coefficients in Streams. Water Resources Management ,25(6): pp.1537-1544.

Davis, P. M. and Atkinson ,T. C. (1999). Longitudinal dispersion in natural channels: 3. An aggregated dead zone model applied to the River Severn, U.K. Hydrol. Earth Syst. Sci. 4(3) pp.373-381.

Davis, P. M., Atkinson ,T. C. and Wigley ,T. M. L. (1999). Longitudinal dispersion in natural channels: 2. The roles of shear flow dispersion and dead zones in the River Severn, U.K.. Hydrol. Earth Syst. Sci. 4(3):pp. 355-371.

Deng, Z., Bengtsson, L., Singh V. and Adrian, D. (2002). Longitudinal Dispersion Coefficient in Single-Channel Streams. Journal of Hydraulic Engineering 128(10),pp. 901-916.

Deng, Z., Singh, V.and Bengtsson, L. (2001). Longitudinal Dispersion Coefficient in Straight Rivers. Journal of Hydraulic Engineering 127(11),pp. 919-927.

Etemad-Shahidi, A. and Taghipour, M. (2012). "Predicting Longitudinal Dispersion Coefficient in Natural Streams Using M5′ Model Tree." Journal of Hydraulic Engineering 138(6),pp. 542-554.

Fuat TopraK, Z. and Emin savcl, M. )2004.(Predicting Longitudinal Dispersion Cofficient in Natural Streams using Fuzzy logic. confrance of  Hydrology  Istanbul Turkey,pp.54-78.

Kashefipour, S. M. and A. Falconer, R. (2002). Longitudinal dispersion coefficients in natural channels. Water Research 36(6),pp. 1596-1608.

Riahi-Madvar, H., Ayyoubzadeh, S. Khadangi ,A. E. and Ebadzadeh ,M. M. (2009). An expert system for predicting longitudinal dispersion coefficient in natural streams by using ANFIS. Expert Systems with Applications, 36(4),pp. 8589-8596.

Sahay, R. (2011). Prediction of longitudinal dispersion coefficients in natural rivers using artificial neural network. Environmental Fluid Mechanics ,11(3),pp. 247-261.

Seo, I. and Baek, K. (2004). Estimation of the Longitudinal Dispersion Coefficient Using the Velocity Profile in Natural Streams. Journal of Hydraulic Engineering ,130(3),pp. 227-236.

Seo, I. and Cheong, T. (1998). "Predicting Longitudinal Dispersion Coefficient in Natural Streams." Journal of Hydraulic Engineering ,124(1): 25-32.

Seo, I. and Cheong ,T. (2001). Moment-Based Calculation of Parameters for the Storage Zone Model for River Dispersion. Journal of Hydraulic Engineering ,127(6),pp. 453-465.

Shen, C., J., Niu, E. Anderson ,J. and Phanikumar ,M. S. (2010). Estimating longitudinal dispersion in rivers using Acoustic Doppler Current Profilers. Advances in Water Resources, 33(6),pp. 615-623.

Tayfur, G. and Singh ,V. (2005). Predicting Longitudinal Dispersion Coefficient in Natural Streams by Artificial Neural Network. Journal of Hydraulic Engineering, 131(11),pp. 991-1000.

Toprak, Z. F. and H. K. Cigizoglu (2008). Predicting longitudinal dispersion coefficient in natural streams by artificial intelligence methods. Hydrological Processes, 22(20),pp. 4106-4129.