دوره 9، شماره 18 - ( پاییز و زمستان 1397 )
جلد 9 شماره 18 صفحات 177-168 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Azari A, Asadi M, Arman A. (2019). Comparing the Performance of Genetic and Particle Swarm Algorithms in Calibration of Experimental Area Reduction Method Based on Hydrographic Results of Dez Dam Reservoir. jwmr. 9(18), 168-177. doi:10.29252/jwmr.9.18.168
URL: http://jwmr.sanru.ac.ir/article-1-863-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-863-fa.html
آذری آرش، اسدی میلاد، آرمان علی. مقایسه عملکرد الگوریتم های ژنتیک و ازدحام ذرات در واسنجی روش تجربی کاهش سطح بر اساس نتایج هیدروگرافی مخزن سد دز
پژوهشنامه مديريت حوزه آبخيز 1397; 9 (18) :177-168 10.29252/jwmr.9.18.168
دانشگاه رازی
چکیده: (2870 مشاهده)
منحنی های حجم- سطح- ارتفاع سدها یکی از مهم ترین ابزارها در برنامه ریزی منابع آب و مدیریت مخزن است. روش کاهش سطح یکی از روش هایی است که برای اصلاح این منحنی ها پس از رسوب گذاری مخزن بر اساس شرایط و آمار و اطلاعات ثبت شده در مخازن خارج کشور توسعه یافته اند و استفاده از همان روش ها در مورد سدهای داخل کشور بدون بهینه سازی ضرایب، خالی از اشکال نبوده و گاهی با خطای زیاد همراه است. هدف از این تحقیق واسنجی خودکار روش کاهش سطح بر اساس سه پارامتر موثر آن با استفاده از دو الگوریتم ژنتیک و بهینه سازی ازدحام ذرات و مقایسه نتایج با مطالعات هیدروگرافی مخزن می باشد. طوری که پیش بینی روند رسوب گذاری مخزن در روش کاهش سطح با نتایج هیدروگرافی مخزن در انتهای دوره کمترین اختلاف را داشته باشد. نتایج حاکی از برتری الگوریتم ازدحام ذرات در واسنجی روش کاهش سطح داشت. در این الگوریتم با انتخاب جمعیت اولیه 50، زمان همگرایی و مقدار تابع هدف (ریشه میانگین مربعات خطای بین منحنی حجم- ارتفاع پیش بینی شده و واقعی مخزن) در آخرین تکرار به ترتیب 7/4 دقیقه و 7 میلیون مترمکعب بود که نسبت به الگوریتم ژنتیک به ترتیب 6/92 و 48 درصد بهبود را نشان می دهد. در نهایت از مقادیر بهینه پارامترهای روش کاهش سطح برای تطابق بیشتر مقادیر حجم برآوردی و واقعی مخزن سد دز استفاده شد و نتایج نشان داد مقدار خطای پیش بینی کمتر از یک درصد است که با توجه به حجم مخزن ناچیز ارزیابی می گردد. بر این اساس می توان مدل تهیه شده را بدون هیچ تغییری در پارامترهای بهینه روش کاهش سطح با وارد نمودن اطلاعات مربوط به هیدروگرافی جدید مخزن برای پیش بینی روند رسوب گذاری در سال های آتی بکار برد. این امر با توجه به اهمیت اطلاع از تغییرات حجم مفید مخزن در سال های آتی و نقش آن در برنامه ریزی منابع آب آینده بسیار مفید خواهد بود.
نوع مطالعه: پژوهشي |
موضوع مقاله:
هيدرولوژی
دریافت: 1396/7/13 | ویرایش نهایی: 1397/11/1 | پذیرش: 1397/6/5 | انتشار: 1397/11/1
دریافت: 1396/7/13 | ویرایش نهایی: 1397/11/1 | پذیرش: 1397/6/5 | انتشار: 1397/11/1
فهرست منابع
1. Abedini, M. and N. Talebbidokhti. 1989. Distribution and control of sedimentation in dam reservoirs. First Iranian Conference on Hydrology. Mahab Ghods, Tehran, 791-820 pp (In Persian).
2. Alikhani, K., K. Qaderi and M. M. Ahmadi. 2013. Determination of optimal parameters of empirical area reduction method in Karaj dam sediment distribution. 9th International River Engineering Conference. Ahwaz, 8 pp (In Persian).
3. Azari, A., S. Soori and H. Bonakdari. 2017. The Application of Imperialist Competitive Algorithm in Determining the Optimal Parameters of Empirical Area Reduction Method to Predict the Sedimentation Process in Dez Dam. Geography and Sustainability of Environment, 7(24): 1-14 (In Persian).
4. Borland, W.M. and C.R. Miller. 1958. Distribution of sediment in large reservoirs. Journal of the Hydraulics Division -ASCE, 84: 1-18.
5. Cai, X., D.C. McKinney and L.S. Lasdon. 2001. Solving nonlinear water management models using a combined genetic algorithm and linear programming approach. Advances in Water Resources, 24(6): 667-676. [DOI:10.1016/S0309-1708(00)00069-5]
6. Dankoo, A., J. Samani, M.Z. Ahmadi and A. Emadi. 2011. Uncertainty analysis for estimation of sediment volume in dam reservoirs (case study: amir kabir dam). Journal of Watershed Management Research, 1(2): 84-94 (In Persian).
7. Dariane, A.B. and S. Momtahen 2009. Optimization of multireservoir systems operation using modified direct search genetic algorithm. Journal of Water Resources Planning and Management, 135(3): 141-148. [DOI:10.1061/(ASCE)0733-9496(2009)135:3(141)]
8. Emadi, A.R. and S. Kakouei. 2014. Determination of Optimal Parameters of Empirical Area Reduction Method in Karaj Reservoir Dam using SCE, Water & Soil Conservation, 21: 179-195.
9. Emadi, A.R., M. Khademi and A. Mohamadiha. 2013. Application of Simulated Annealing Algorithm in Calibration of Area Reduction Method in Sediment Distribution of Dams Reservoir (Case Study: Karaj Dam), Water and Soil Conservation, 4: 173-188.
10. Emadi, A., A. Mohammadiha and J. Mohammad Vali Samani. 2011. Mathematical model for auto calibration of area-reduction method in sediment distribution of dam reservoir using genetic algorithm. Journal of Water and Soil. 25(2): 356-364 (In Persian).
11. Heydari, F., B. Saghafian and M. Delavar. 2016. Development of conjunctive surface and ground water use model with emphasis on the quality and quantity of water resources. Iranian Journal of Soil and Water Research, 47(4): 687-699 (In Persian).
12. Kennedy, J. and R. Eberhart. 1995. Particle swarm optimization. Proceedings of the IEEE International Conference on Neural Networks, Perth, Australia, 1942-1945.
13. Kennedy, J. and R.C. Eberhart (1997, October). A discrete binary version of the particle swarm algorithm. in systems, man and cybernetics, 1997. Computational Cybernetics and Simulation. 1997 IEEE International Conference, 5: 4104-4108 IEEE.
14. Kiafar, H., A.A. Sadraddini, A.H. Nazemi and H. Sanikhani. 2011. Optimal water allocation for Sufi-chay irrigation and drainage network in east azerbaijan province of iran using genetic algorithm. Journal of Irrigation & Water Engineering, 2(5): 52-61 (In Persian).
15. Lara, J. M. 1962. Revision of the procedure to compute sediment distribution in large reservoirs, US Bureau of Reclamation, Denver, Colorado.
16. Meskar, H. and R. Fazl-oula. 2013. Investigation of sedimentation pattern in the shahid rajaee reservoir using GSTAR3.0 numerical model. Journal of Watershed Management Research, 4(7): 16-29 (In Persian).
17. Mousavi, S.F., M. Haidarpour and S. Shabanlou. 2007. Investigation of sediments in the zayandehrud reservoir through areaincrement and areareduction empirical models. Journal of Water Wastewater, 57: 76-82 (In Persian).
18. Mousavi, S., J. Mohammadzadeh Habili and M. Heidarpour. 2009. Evaluation of error in area-increment and area-reduction methods to predict sediment distribution of Dez, Dorudzan and Shahid abbaspour reservoirs. Journal of Water and Soil Science, 12(45): 553-564 (In Persian).
19. Mousavi Rastegar, Z., A. Mohammadreza Poor, O. Bozorg Haddad and M. Ibrahimi. 2017. Comparison of hedging policy using metahuristic algorithm and standard operation policy in optimal operation of voshmgir reservoir dam in during drought. Iranian Journal of Soil and Water Research, 48(2): 323-333 (In Persian).
20. Noruzi, B., Gh.A. Barani, M. Meftah Halaghi and A.A. Dehghani. 2011. A multi-reservoir system operation optimization using multi population genetic algorithms (case study:golestan and voshmgir reservoirs). Journal of Water and Soil Conservation, 18(4): 43-62 (In Persian).
21. Pour Bourjarian, A. and M.A. Bani Hashemi. 2009. Investigation of sefidrood dam reservoir sedimentation trend using experimental and numerical relations and methods. M.Sc. Thesis, Faculty of Engineering, University of Tehran, Tehran, Iran (In Persian).
22. Shabanloo, S., S.F. Mousavi and M. Heidarpour. 2002. Assessing the amount of sediment entering Dez reservoir and its distribution pattern so far and estimating reservoir status in the future. 6th International River Engineering Congress, Feb. 2002, Shahid Chamran University, Ahwaz, 55-65 (In Persian).
23. Shi, Y. and R. C. Eberhart. 1998. Parameter selection in particle swarm optimization. In International Conference on Evolutionary Programming, 591-600. Springer Berlin Heidelberg. [DOI:10.1007/BFb0040810]
24. Strand, R.I. and E.L. Pemberton. 1982. Reservoir sedimentation. US Bureau of Reclamation, Denver.
25. Tulabi, S., M. Abedini and A. Esmali Ouri. 2015. The Evaluation efficiency of WEPP model to predict sediment yield in sulachai watershed-ardabil. Journal of Watershed Management Research, 6(12): 184-192 (In Persian).
26. United States Bureau of Reclamation. 1962. Revision of the procedure to compute sediment distribution in large reservoirs. Sedimentation Section, Hydrology Branch.
27. Vasan, A. 2013. Optimal reservoir operation for irrigation planning using the swarm intelligence algorithm. Metaheuristics in Water, Geotechnical and Transport Engineering, 147-165. [DOI:10.1016/B978-0-12-398296-4.00007-6]
28. Verstraeten, G., J. Poesen, J. de Vente and X. Koninckx. 2003. Sediment yield variability in Spain: a quantitative and semiqualitative analysis using reservoir sedimentation rates, Geomorphology, 50(4): 327-348. [DOI:10.1016/S0169-555X(02)00220-9]
29. Vose, M.D. 1999. The simple genetic algorithm: foundations and theory, MIT Press, Cambridge, MA. 251 pp.
30. Zhang, J., Z. Wu, C.T. Cheng and S.Q. Zhang. 2011. Improved particle swarm optimization algorithm for multi-reservoir system operation. Water Science and Engineering, 4(1): 61-74.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
