دوره 12، شماره 23 - ( بهار و تابستان 1400 )
جلد 12 شماره 23 صفحات 295-285 |
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:
Norouzi H, Karimi V, Bazargan J, Hemmati H. (2021). Different types of Optimizing the Parameters of Hydrological Routing Methods using Particle Swarm Optimization (PSO) Algorithm for Flood Routing in the Karun River. jwmr. 12(23), 285-295. doi:10.52547/jwmr.12.23.285
URL: http://jwmr.sanru.ac.ir/article-1-1095-fa.html
URL: http://jwmr.sanru.ac.ir/article-1-1095-fa.html
نوروزی هادی، کریمی وحید، بازرگان جلال، همتی حیدر. حالت‌های مختلف بهینه‌یابی پارامترهای روش‌های روندیابی هیدرولوژیکی با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) برای روندیابی سیل در رودخانه کارون پژوهشنامه مديريت حوزه آبخيز 1400; 12 (23) :295-285 10.52547/jwmr.12.23.285
دانشگاه زنجان
چکیده: (2470 مشاهده)
بهینه‌یابی پارامترهای روش‌های روندیابی هیدرولوژیکی در افزایش دقت برآورد هیدروگراف خروجی سیل و هم‌چنین محاسبه ناحیه اوج هیدروگراف سیل در کارهای مهندسی از جایگاه ویژه‌ای برخوردار است. در پژوهش حاضر، از آنجاییکه دامنه تغییرات دبی ورودی سیل سوم (سیل محاسباتی) در حد فاصل دامنه تغییرات دبی ورودی سیل‌های اول و دوم (سیل‌های مبنا) قرار دارد، به‌همین دلیل جهت افزایش دقت روندیابی سیل با استفاده از روش‌های روندیابی هیدرولوژیکی (روش ماسکینگام خطی، مقادیر اجرایی، کانوکس و آت – کین اصلاح شده)، به‌جای استفاده از پارامترهایt∆ (X, K, ) یک سیل مبنا، از میانگین حسابی و هندسی پارامترهای دو سیل مبنا به‌صورت 8 حالت مختلف و با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات (PSO) پرداخته شده‌است. به عبارت دیگر، استفاده از هر 8 حالت ارائه شده در پژوهش حاضر، باعث افزایش دقت روش‌های روندیابی هیدرولوژیکی در برآورد ناحیه اوج هیدروگراف سیل در حد فاصل ایستگاه‌های هیدرومتری ملاثانی (بالادست) و اهواز (پایین‌دست) رودخانه کارون، شده است. به‌طوریکه، در بهترین حالت ارائه شده در پژوهش حاضر (حالت 8)، میانگین خطای نسبی ناحیه اوج سیل محاسباتی نسبت به شرایطی که از سیل مبنای اول به تنهایی استفاده شود، برای روش‌های مذکور به‌ترتیب 66، 66، 25 و 18 درصد و در شرایطی که از سیل مبنای دوم به تنهایی استفاده شود، به ترتیب 43، 43، 4 و 9 درصد بهبود یافته‌است.
واژه‌های کلیدی: : الگوریتم بهینه‌سازی ازدحام ذرات (PSO)، روندیابی سیل، روش‌های روندیابی هیدرولوژیکی، حالت‌های مختلف بهینه‌یابی پارامترهای X، K، ∆t
نوع مطالعه: پژوهشي |
موضوع مقاله:
بلايای طبيعی (سيل، خشکسالی و حرکت های توده ای)
دریافت: 1399/4/1 | ویرایش نهایی: 1400/5/26 | پذیرش: 1399/6/24 | انتشار: 1400/5/26
دریافت: 1399/4/1 | ویرایش نهایی: 1400/5/26 | پذیرش: 1399/6/24 | انتشار: 1400/5/26
فهرست منابع
1. Abbasizadeh, M., M. Mahdavi and A. Salajeghe. 2010. Evaluation of Flood Routing Methods Efficiency (Case Study: Dez River), 63-76 (In Persian).
2. Abdolshahnejad, A. 1997. Comparison of different methods hydraulic and hydrologic in flood routing (Case Study: Part of Karoun river), M.Sc. Thesis, University of Tehran, 230 pp (In Persian).
3. Afshar, A., H. Kazemi and M. Saadatpour. 2011. Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran. Water resources management, 25(10): 2613-2632. [DOI:10.1007/s11269-011-9829-7]
4. Akbarifard, S., K. Qaderi and M. Alinnejad. 2018. Parameter estimation of the nonlinear muskingum flood-routing model using water cycle algorithm. Journal of Watershed Management Research, 8(16): 34-43. [DOI:10.29252/jwmr.8.16.34]
5. Asiaban, P., E. Amiri Tokaldany and M. Tahmasebi Nasab. 2015. Simulation of water surface profile in vertically stratified rockfill dams. International Journal of Environmental Research, 9(4): 1193-1200.
6. Barati, R. and G.M. Akbari. 2012. Comparison of Flood Routing Hydrology Models in Rivers. Iranian Water Researches Journal, 105-114 (In Persian).
7. Bazargan, J. and H. Norouzi. 2018. Investigation the Effect of Using Variable Values for the Parameters of the Linear Muskingum Method Using the Particle Swarm Algorithm (PSO). Water Resources Management, 32(14): 4763-4777. [DOI:10.1007/s11269-018-2082-6]
8. Chau, K. 2005. A split-step PSO algorithm in prediction of water quality pollution. In International Symposium on Neural Networks (pp. 1034-1039). Springer, Berlin, Heidelberg. [DOI:10.1007/11427469_164]
9. Chow, V. 1959. Open channel hydraulics, Newyork; Macgraw-Hill Book Company.
10. Chu, H.J. and L.C. Chang. 2009. Applying particle swarm optimization to parameter estimation of the nonlinear Muskingum model. Journal of Hydrologic Engineering, 14(9): 1024-1027. [DOI:10.1061/(ASCE)HE.1943-5584.0000070]
11. Dehghani, M. 2004. The Efficiency Assessment of Flood Routing Methouds in Tidal Zohre River, M.Sc. Thesis, Tarbiat Modarres University, 104 pp (In Persian).
12. Di Cesare, N., D. Chamoret and M. Domaszewski. 2015. A new hybrid PSO algorithm based on a stochastic Markov chain model. Advances in engineering software, 127-137. [DOI:10.1016/j.advengsoft.2015.08.005]
13. Eberhart, R. and J.A. Kennedy. 1995. New optimizer using particle swarm theory. In MHS'95. Proceedings of the Sixth International Symposium on Micro Machine and Human Science, 39-43.
14. Farahani, N., S. Farzin and H. Karami. 2018. Flood routing by Kidney algorithm and Muskingum model. Natural Hazards, 1-19.
15. Formetta, G., I. Prosdocimi, E. Stewart and V. Bell. 2018. Estimating the index flood with continuous hydrological models: an application in Great Britain. Hydrology Research, 49(1): 123-133. [DOI:10.2166/nh.2017.251]
16. Ghasemieh, H. 2005. Investigation of Muskingum and Modified Att-Kin Methoud Efficiency in river Flood Routing (Case Study, Babolroud River), M.Sc. Thesis, University of Mazandaran, 136 pp (In Persian).
17. Gholami, V., K.W. Chau, F. Fadaee, J. Torkaman and A. Ghaffari. 2015. Modeling of groundwater level fluctuations using dendrochronology in alluvial aquifers. Journal of hydrology, 529: 1060-1069. [DOI:10.1016/j.jhydrol.2015.09.028]
18. Hamedi, M.H. 2011. Open Channel Hydraulics, Khaje Nasir University. Second edition (In Persian).
19. Lu, W.Z., H.Y. Fan, A.Y.T. Leung and J.C.K. Wong. 2002. Analysis of pollutant levels in central Hong Kong applying neural network method with particle swarm optimization. Environmental monitoring and assessment, 79(3): 217-230. [DOI:10.1023/A:1020274409612]
20. Mahdavi, M. 2013. Applied hydrology. Tehran University. Second edition (In Persian).
21. Manavi Amiri. S.M., A. Malekian, K. Shahedi and B. Motamed Vaziri. 2013. Evaluation of Muskingum and Modified Att-Kin Methods Efficiency in Flood Routing (Case Study: Talar Watershed, Mazandaran Province), 106-119 (In Persian).
22. Meraji, S.H. 2004. Optimum design of flood control systems by particle swarm optimization algorithm (Doctoral dissertation, M.Sc. Thesis, Iran University of Science and Technology).
23. Moghaddam, A., J. Behmanesh and A. Farsijani. 2016. Parameters estimation for the new four-parameter nonlinear Muskingum model using the particle swarm optimization. Water resources management, 30(7): 2143-2160. [DOI:10.1007/s11269-016-1278-x]
24. Nagesh Kumar, D. and M. Janga Reddy. 2007. Multipurpose reservoir operation using particle swarm optimization. Journal of Water Resour Plan Manag, 133: 192-201. [DOI:10.1061/(ASCE)0733-9496(2007)133:3(192)]
25. Najafi, I., A. Emadi and M.A. Gholami-Sefidkuhi. 2020. Calibration of Muskingum Method using Ant Colony Algorithm (Case Study: Garmrood Basin). Journal of Watershed Management Research,
26. Reggiani, P., E. Todini and D. Meißner. 2016. On mass and momentum conservation in the variable-parameter Muskingum method. Journal of Hydrology, 543: 562-576. [DOI:10.1016/j.jhydrol.2016.10.030]
27. Rowshan, G.R., H. Mohammadi, T. Nasrabadi, H. Hoveidi and A. Baghvand. 2007. The role of climate study in analyzing flood forming potential of water basins. International Journal of Environmental Research, 1(3): 231-236.
28. Shi, Y. and R.A. Eberhart. 1998. Modified particle swarm optimizer. In1998 IEEE international conference on evolutionary computation proceedings. IEEE world congress on computational intelligence (Cat. No. 98TH8360), 69-73.
29. Tsai, C.W. 2005. Flood routing in mild-sloped rivers-wave characteristics and downstream backwater effect. Journal of Hydrology, 308(1): 151-167. [DOI:10.1016/j.jhydrol.2004.10.027]
30. Vafaei, F. and A.N. Harati. 2010. Strategic Management in Decision Support System for Coastal Flood Management. International Journal of Environmental Research, 4(1): 169-176.
31. Wu, C.L. and K.W. Chau. 2011. Rainfall-runoff modeling using artificial neural network coupled with singular spectrum analysis. Journal of Hydrology, 399(3-4): 394-409. [DOI:10.1016/j.jhydrol.2011.01.017]
32. Yadav, B., M. Perumal and A. Bardossy. 2015. Variable parameter McCarthy-Muskingum routing method considering lateral flow. Journal of Hydrology, 523: 489-499. [DOI:10.1016/j.jhydrol.2015.01.068]
33. Zahiri, A., S. Sharifan and S. Tamadoni Kenari. 2012. Optimization of Muskingum Method for Flood Routing in Flooded Rivers. Journal of Watershed Management Research, 3(6): 1-14.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
