مقایسه الگوریتم‎های سرد کردن فلزات (SA) و جامعه ذرات (PSO) در بهینه‌سازی پارامترهای هیدرولوژیکی حوضه مهابادچای

فصلنامه علمی مهندسی منابع آب

دوره 15، شماره 54، آبان 1401، صفحه 19-28   

نوع مقاله: مقاله پژوهشی

شناسه دیجیتال (DOI): 10.30495/wej.2021.23220.2206

نویسندگان

کاظم شاهوردی^{* 1}؛ هیراد عبقری²؛ اکبر فرضی بلاغی³

¹استادیار علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران

²دانشیار مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران

³دانش‌آموخته کارشناسی ارشد رشته مرتع و آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه ارومیه، ارومیه، ایران

تاریخ دریافت: 14 آبان 1398،  تاریخ بازنگری: 30 آذر 1399،  تاریخ پذیرش: 10 شهریور 1400 

چکیده

چکیده
مقدمه: با استفاده از مدل‎های هیدرولوژیکی، فرایند بارش-رواناب شبیه‌سازی می­شود. دقت نتایج حاصل از مدل‎های هیدرولوژیکی، به دقت پارامترهای هیدرولوژیکی ورودی به مدل از قبیل شماره منحنی (CN)، ضریب تلفات اولیه (Ia) و زمان تاخیر Lt)) بستگی دارد. با این حال، در بعضی از حوضه‏ها مقادیر پارامترهای هیدرولوژیکی بطور دقیق و یا اصلا وجود ندارد و تنها چند هیدروگراف مشاهده‏ای وجود دارد. یافتن مقادیر بهینه پارامترهای هیدرولوژیکی در چنین حوضه‏هایی، ضروری است.
روش­: برآورد دقیق پارامترهای CN، Ia و Lt در حوضه آبخیز مهابادچای (که فاقد آمار پارامترهای هیدرولوژیکی است) با استفاده از الگوریتم‏های بهینه‏سازی (Particle Swarm Optimization) PSO و (Simulated Annealing) SA، هدف اصلی این تحقیق است. در هر تکرار، بهینه‎ساز مقادیر پارامترهای هیدرولوژیکی حوضه را برآورد می‏کند که به عنوان ورودی‌های HEC-HMS استفاده می‌شوند. در ادامه مدل HEC-HMS، رواناب حوضه را شبیه‏سازی (دبی محاسباتی) می‏کند. در مرحله بعد دبی محاسباتی با دبی مشاهداتی مقایسه شده و بهینه‏ساز بر مبنای ریشه میانگین مربعات خطا (RMSE) به عنوان تابع هدف، پارامترهای هیدرولوژیکی را اصلاح کرده و این فرایند تا رسیدن به پاسخ بهینه، تکرار می‏شود. ارتباط بین مدل HEC-HMS و بهینه‎ساز با استفاده از برنامه‏ای که در AutoIt نوشته شد، برقرار و بهینه‏سازی به صورت خودکار انجام می‏شود. برای این منظور، از داده­های ساعتی بارش-رواناب (دبی مشاهداتی) پنج رخداد مربوط به سال 1387 در حوضه آبخیر مهابادچای استفاده شد.
یافته­ ها: نتایج نشانگر برآورد دقیق پارامترهای هیدرولوژیکی است و الگوریتم PSO سرعت بالاتری در همگرایی به تابع هدف بهینه و پیدا کردن پارامترهای هیدرولوژیکی حوضه شامل CN، Ia و Lt داشت. همچنین، دبی‏های بهینه محاسباتی SA نسبت به PSO، تناسب بیشتری با مقادیر متناظر مشاهداتی داشت.
نتیجه­ گیری: با توجه به نتایج تحقیق حاضر می‌توان نتیجه گرفت که با لینک مدل‌های بهینه‌سازی و مدل‌های هیدرولوژیکی می‌توان نسبت به براورد دقیق پارامترهای هیدرولوژیکی در حوضه‌های فاقد آمار اقدام نمود و نتایج با دقت خوبی بدست آورد.

کلیدواژه‌ها

حوضه مهابادچای؛ HEC-HMS؛ PSO؛ SA؛ AutoIt

عنوان مقاله [English]

Comparing Simulated Annealing (SA) and Particle Swarm Algorithms (PSO) for Optimizing Hydrological Parameters in Mahabadchay Watershed

نویسندگان [English]

Kazem Shahverdi¹؛ Hirad Abghari²؛ Akbar Farzi Bolaghi³

¹Assistant Prof. of Water Science and Engineering, College of Agricultural, Bu-Ali Sina University, Hamedan, Iran.

²Associate Prof. of Range and Watershed Management, College of Natural Resources, Urmia University, Urmia, Iran

³Former M.Sc. Student of Range and Watershed Management, College of Natural Resources, Urmia University, Urmia, Iran

چکیده [English]

Abstract
Introduction: Rainfall and runoff process is one of the main phases of the hydrological cycle and is simulated using hydrological models to examine the relationship between rainfall and runoff. The accuracy of the runoff estimation depends on the input parameters of the hydrological model including the sub-basins Curve Number (CN), Initial abstraction (Ia) and Lag time (Lt).
Methods: In this study, to more accurately estimate the simulated discharges computing through the hydrological model HEC-HMS in Mahabadchay watershed, the input parameters were calibrated. For this purpose, two evolutionary algorithms including Particle Swarm Optimization (PSO) and Simulated Annealing (SA) were used. In each iteration, the basin hydrological parameters are estimated using optimizer and given to the simulator. Afterwards, simulations are made. The Root Mean Square Error (RMSE) was used as objective function. The AutoIt software was used to automatically couple the optimization algorithms with HEC-HMS model. The rainfall-runoff data related to the 5 events of year 1387 were used to calibrate and validate the optimal parameters.
Findings: The results showed PSO convergence speed is more than SA algorithm in finding optimal objective function value and calibrating the hydrological parameters including CN, Ia, and Lt. Also, the optimal computed hydrograph found by SA algorithm had good agreement with that of by PSO one. Considering the results, it is concluded that the hydrologic parameters of watersheds without data can accurately be estimated by linking optimization and hydrologic models.

کلیدواژه‌ها [English]

Mahabadchay Watershed, HEC-HMS, PSO, SA, AutoIt

مراجع

1.       Ebrahimiyan, S. and Ghaderi, J. (2014). Evaluation and Calibration of the HEC-HMS/WMS model in Mahabad dam’s basin. Irrigation and Water Engineering, 4(4), 70-80.

2.       Garmei, R. 2015. Comparing PSO Algorithm Automatic Calibration and Nelder&Mead Algorithm on the HEC-HMS Hydrologic Model (Case Study: Kardeh Watershed). Journal of Water and Soil Conservation, 22(5), 247-260. [In Persian].

3.       Gupta, H.V., S. Sorooshian and P. O. Yapo. 1999. Status of Automatic Calibration for Hydrologic Models, comparison with multi-level expert calibration. Hydrologic Engineering, 4(2): 135-143.

4.       Kamali, B., and Mousavi, S. J. 2012. Automatic Calibration of Hydrologic Event-Based Model Using PSO Meta-Heuristic Algorithm. Amirkabir Journal of Civil Engineering, 44(1), 77-88. [In Persian].

5.       Razi, M. 2016. Identification of 1190 illegal wells in Hamadan and Bahar plain were identified. Khabaronline News Agency, available at: www.khabaronline.ir. Accessed on 25 August 2020. [In Persian].

6.       Kennedy, J. 1998. The behavior of particles, Porto, V. W., Saravanan, N., Waagen, D., and Eiben, A. E. (eds.), In: Evolutionary Programming VII, Springer, 581-590.

7.       Mohamad Reza Pour, O., Haghighatjou, P., and zeynali, M. 2016. Compression of Genetic Algorithm and Particle Swarm Algorithm models for Optimizing Coefficients of Sediment Rating Curve in estimation of Suspended Sediment in Sistan River; Case Study Kohak station.. Irrigation and Water Engineering, 6(2), 76-89.

8.       Shahverdi, K., and M.V.Samani, J. 2010. Automated Simulation of Basin Characteristics Using HEC-HMS, Genetic Algorithm, and AutoIt on Observed Hydrograph Properties. Iran-Water Resources Research, 6(3), 96-99. [In Persian].