نوع مقاله : مقاله پژوهشی
نویسندگان
1 دانشجوی دکترا، گروه مهندسی عمران، دانشکده فنیمهندسی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
2 دانشیار، گروه مهندسی آب، دانشکده کشاورزی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران
3 استادیار، گروه مهندسی آب، دانشکده کشاورزی، واحد مهاباد، دانشگاه آزاد اسلامی، مهاباد، ایران
4 استادیار، گروه مهندسی عمران، دانشکده فنیمهندسی، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.
چکیده
امروزه مدلهای یادگیری ماشین با تکیه بر استخراج الگوی بین دادهها قادر به پیشبینی مناسب سریهای زمانی هستند. در این پژوهش از شبکه عصبی- فازی (ANFIS) برای پیشبینی جریان ورودی به مخزن سد مهاباد در شمال غرب ایران استفاده گردید. همچنین از الگوریتم بهینهسازی جدید شکار شاهین هریس (HHO) برای بهبود ساختار ANFIS بهره برده شد. از دادههای هواشناسی مانند بارش ماهانه، دمای ماهانه و جریان ورودی به مخزن یک تا سه ماه قبل بهعنوان پارامترهای ورودی و در 6 الگوی مختلف ورودی استفاده شد. حدود 70% دادهها برای آموزش مدلها و 30% برای آزمون آنها در نظر گرفته شد. نتایج نشان داد که مدل ANFIS از دقت خوبی در دادههای آموزش برخوردار است اما برای دادههای آزمون از دقت آن بسیار کاسته میشود. توسعه مدل HHO-ANFIS موجب بهبود دقت پیشبینی شد. در بین الگوهای ورودی، الگویی که شامل تمام پارامترهای ورودی بود (P6) دارای بیشترین دقت پیشبینی بود. در این الگو مقادیر جذر میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) به همراه ضریب ناش ساتکلیف (NSE) برای دادههای آزمون به ترتیب برابر MCM 9/3، MCM 41/2 و 86/0 بود. با توجه به عملکرد خوب مدل مورداستفاده، میتوان آن را برای پیشبینی سریهای زمانی توصیه کرد.
کلیدواژهها
موضوعات
عنوان مقاله [English]
Development of Hybrid Adaptive Neuro Fuzzy Inference System - Harris Hawks Optimizer (ANFIS-HHO) for Monthly Inlet Flow to Dam Reservoirs Prediction
نویسندگان [English]
- Seyed Mohammad Enayati 1
- Mohsen Najarchi 2
- Osman Mohammadpour 3
- Seyed Mohammad Mirhosseini 4
1 PhD Scholar, Department of Civil Engineering, Faculty of Engineering, Arak Branch, Islamic Azad University, Arak, Iran
2 Assoc. Professor, Department of Water Engineering, Faculty of Agriculture, Arak Branch, Islamic Azad University, Arak, Iran
3 Assist. Professor, Department of Water Engineering, Faculty of Agriculture, Mahabad Branch, Islamic Azad University, Mahabad, Iran
4 Assist. Professor, Department of Civil Engineering, Faculty of Engineering, Arak Branch, Islamic Azad University, Arak, Iran
چکیده [English]
Nowadays, machine learning models are able to make good predictions based on pattern extraction between data. In this study, a neural-fuzzy network (ANFIS) was used to predict the inflow to the reservoirs of a dam namely, the Mahabad dam located in the northwestern part of Iran. A new Harris Hawk (HHO) optimization algorithm was also used to improve the ANFIS (HHO-ANFIS) structure. Monthly precipitation and temperature and inlet flow data to the reservoir one to three months ago were used as input parameters as 6 different input patterns. About 70% of the data was used for training and 30% to test the models. The results showed that the ANFIS model has good accuracy in training data although, for test data, its accuracy was greatly reduced. The development of the HHO-ANFIS model improved the accuracy of the prediction. The patterns with all input parameters had the highest prediction accuracy. In this pattern, values of Root Mean Square Error (RMSE), Mean Absolute Error (MAE), and Nash Sutcliffe Efficiency coefficient (NSE) for test data were 3.9 MCM, 2.41 MCM, and 0.86, respectively. Due to the good performance of the model used, it can be recommended for time series predictions.
کلیدواژهها [English]
- Evolutionary Algorithms
- Rainfall-Runoff
- Predicting Time Series
- Mahabad Dam
- Machine learning