ارزیابی ترکیب الگوریتم‌های بهینه‌سازی و سیستم استنتاج فازی- عصبی تطبیقی در مقایسه با مدل‌های سری‌های زمانی در تخمین سطح آب زیرزمینی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشگاه تهران

2 دانشجوی دکتری تخصصی مهندسی منابع آب،گروه مهندسی آبیاری و آبادانی دانشگاه تهران،کرج،ایران

3 دانشکده جغرافیا، دانشگاه تهران

چکیده

به‌منظور مدیریت و بهره‌برداری بهینه از منابع آب زیر‌زمینی آگاهی از تغییرات زمانی-مکانی سطح ایستابی امری ضروری است. به منظور مدلسازی و پیش‌بینی متغیرهای هیدروژئولوژیکی، این سوال که تا چه حد این مدل‌های ترکیبی می‌توانند نسبت به مدل انفرادی کارآیی داشته باشند، باقی می‌ماند. در این پژوهش، چهار الگوریتم بهینه‌سازی فراکاوشی ازدحام ذرات (PSO)، ژنتیک (GA)، کلونی مورچگان (ACOR) و تکامل تقاضلی (DE) با مدل سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) ترکیب شد. عملکرد چهار مدل‌ ترکیبی توسعه داده شده با مدل ANFIS و مدل سری زمانی (SARIMA) به عنوان مدل‌ مرجع، جهت تخمین سطح آب زیرزمینی متوسط ماهانه آبخوان دشت صحنه در استان کرمانشاه، در بازه زمانی 19 سال آبی ارزیابی شد. به منظور مقایسه بهتر نتایج مدل‌ها، متغیرهای ورودی یکسان از تراز آب زیرزمینی در گام‌های زمانی مختلف (حداکثر 4 ماه بر اساس تابع خودهمبستگی تراز آبخوان) برای آنها درنظر گرفته شد. نتایج شاخص‌های نکویی برازش در مرحله آزمون و تست نشان داد اختلاف معنا‌داری بین مدل سری زمانی SARIMA نسبت به سایر مدل‌های ترکیبی مورد استفاده، وجود ندارد. اما با توجه به اینکه SARIMA فرآیندهای میانگین متحرک، اتورگرسیون، تغییرات فصلی و تأخیر را در مدل‌سازی اعمال می‌کند، در مدل‌سازی سطح آب زیرزمینی می‌تواند بیشتر مورد توجه قرار گیرد. مقادیر RMSE برترین مدل‌ ترکیبی (ANFIS-GA) و SARIMA به ترتیب 0950/0 و 1012/0 به دست آمد. همچنین نتایج به دست آمده نشان داد که ترکیب الگوریتم‌های بهینه‌سازی درنظر گرفته شده با مدل ANFIS نتایج مدل را نسبت به مدل انفرادی ANFIS به‌صورت معنی‌داری بهبود نمی‌بخشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Evaluation of the combination of optimization algorithms and adaptive fuzzy-neural inference system compared to time series models in groundwater level estimation

نویسندگان [English]

  • masoumeh zeinalie 1
  • mohammad ansari ghojghar 2
  • yaser mehri 1
  • seiyed mossa hosseini 3
1 tehran university
2 Phd Candidate of Water Resources Engineering, Department of Irrigation and Reclamation Engineering, University of Tehran, Karaj, Iran.
3 tehran university
چکیده [English]

To optimize the management and optimal use of groundwater resources, it is necessary to be aware of the temporal-spatial changes of the stagnant level . For modeling and predicting hydrogeological variables, the question remains:To what extent these hybrid models can be effective compared to the individual model?, in this study four algorithms of particle overvoltage optimization (PSO) genetics (GA) ant colony (ACOR) and demand evolution (DE) were combined with the model of adaptive fuzzy-neural inference system (ANFIS).The four combined models performance developed with the ANFIS model and the time series model (SARIMA) as the reference model to estimate the average monthly groundwater level of the Sahneh plain aquifer in Kermanshah province was evaluated over 19 years.To better compare the results of the models, the same input variables of the groundwater level in different time steps (maximum four months based on the self-correlation function of aquifer level) were considered for them. The results of fitness indicators in the test and test phase showed that there was no significant difference between the SARIMA time series model compared to other combined models used.However, given that SARIMA applies average moving processes, authorization, seasonal changes, and delays in modeling, groundwater leveling can be given more attention in modeling. The RMSE values of the best hybrid model (ANFIS-GA) and SARIMA were 0.950 and 0.1012, respectively. The results also showed that the combination of optimization algorithms considered with the ANFIS model does not improve the model's results compared to the individual ANFIS model in terms of significance.

کلیدواژه‌ها [English]

  • Modeling
  • groundwater level
  • SARIMA
  • ANFIS
  • evolutionary algorithms