پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,240 |
| تعداد مقالات | 67,870 |
| تعداد مشاهده مقاله | 115,413,991 |
| تعداد دریافت فایل اصل مقاله | 90,183,758 |
استخراج منحنی فرمان بهینه سد در زمان واقعی بر اساس ترکیب الگوریتم فراکاوشی و تکنیک یادگیری ماشین | ||
| تحقیقات آب و خاک ایران | ||
| دوره 54، شماره 4، تیر 1402، صفحه 695-712 اصل مقاله (1.91 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2023.350224.669380 | ||
| نویسندگان | ||
| احمد امان جلیلی1؛ محسن نجارچی* 2؛ سعید شعبانلو3؛ رضا جعفری نیا1 | ||
| 1گروه مهندسی عمران، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران | ||
| 2دانشیار گروه مهندسی عمران، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران | ||
| 3دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه،ایران | ||
| چکیده | ||
| استفاده از مدل‌های کوپل شده شبیه‌سازی-بهینه‌سازی برای استخراج منحنی فرمان بهینه سدها یکی از راهکارهای موثر برای مدیریت بهینه مخازن است. در تکنیک بهینه‌سازی معین، معمولا از داده‌های جریان تاریخی ورودی به مخزن برای استخراج منحنی فرمان بهینه سد استفاده می‌شود. ممکن است در سال‌های آینده با تغییر جریان ورودی به سدها پارامترهایی که بر اساس آن منحنی فرمان بهینه استخراج شده است ممکن است دیگر کارایی نداشته باشد و نتایج خارج از انتظار باشد. هدف از این تحقیق ارایه راهکاری برای استخراج منحنی فرمان بهینه در زمان واقعی است طوری که با تغییر جریان ورودی به سد در آینده بدون اجرای مجدد الگوریتم بهینه‌سازی و با استفاده از تکنیک هوش مصنوعی در کمترین زمان، منحنی فرمان بهینه سازگار با شرایط جدید را استخراج کرد. در این تحقیق از ترکیب الگوریتم چندهدفه NSGA-II و مدل شبیه‌ساز WEAP برای استخراج سیاست‌های بهینه بر اساس داده‌های تاریخی استفاده شد. سپس با استفاده از روش ماشین بردار پشتیبان و نتایج حاصل از خروجی الگوریتم بهینه‌سازی ساختار جدیدی توسعه داده شد تا بتوان منحنی فرمان بهینه را در زمان واقعی و بر اساس ورودی‌های جدید بدست آورد. نتایج نشان داد کمترین درصد تامین نیاز کشاورزی مربوط به ماه‌های تیر و مرداد به ترتیب به میزان 78 و 77 درصد و کمترین درصد تامین نیاز زیست‌محیطی مربوط به ماه شهریور و در حدود 64 درصد بود. همچنین منحنی فرمان بهینه مستخرج از ماشین‌های بردار پشتیبان نسبت به منحنی فرمان حاصل از الگوریتم NSGA-II در مرحله واسنجی و صحت‌سنجی دارای میانگین خطای کمتر از 5/2 درصد و ضریب تبیین 99/0 می‌باشد. لذا مدل ماشین‌بردار پشتیبان توسعه داده شده این قابلیت را داشته که با توجه به داده‌های جدید جریان ورودی به سد، سریعا سیاست‌های بهره‌برداری بهینه را به نحوی در اختیار قرار دهد که امکان مدیریت بهینه سیستم در زمان واقعی فراهم گردد. | ||
| کلیدواژه‌ها | ||
| زمان واقعی؛ NSGA-II؛ WEAP؛ ماشین های بردار پشتیبان؛ سد جامیشان | ||
| عنوان مقاله [English] | ||
| Extracting the Optimal Role Curve of Dams in Real Time based on the Integration of Meta-Exploration Algorithm and Machine Learning Technique | ||
| نویسندگان [English] | ||
| ahmad aman jalili1؛ Mohsen Najarchi2؛ saeid shabanlou3؛ reza Jafarinia1 | ||
| 1Department of Civil Engineering, Arak Branch, Islamic Azad University, Arak, Iran | ||
| 2Department of Civil Engineering, Arak Branch, Islamic Azad University, Arak, Iran | ||
| 3Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran. | ||
| چکیده [English] | ||
| The use of coupled simulation-optimization models to extract the optimal role curve of dams is one of the effective strategies for optimal management of reservoirs. In certain optimization techniques, historical data of the inflow to the reservoir is usually used to extract the optimal role curve of the dam. It is possible that in the coming years, with the change of the inflow to dams, the parameters based on which the optimal role curve was extracted may no longer work and the results may be unexpected. The objective of this research is to provide a solution for extracting the optimal role curve in real time so that by changing the inflow to the dam in the future without re-executing the optimization algorithm and using artificial intelligence techniques in the shortest time, the optimal role curve compatible with the new conditions can be obtained. In this research, the integration of the NSGA-II multi-objective algorithm and the WEAP simulation model is used to derive optimal policies based on historical data. Then, using the support vector machine method and the results obtained from the output of the optimization algorithm, a new structure is developed so that the optimal role curve can be obtained in real time and based on new inputs. The results indicate that the average error of the optimal role curve extracted from support vector machines is less than 2.5% compared to the role curve obtained from the NSGA-II algorithm in the calibration and validation stages. Therefore, the developed support vector machine model has the ability to quickly provide optimal operation policies in such a way that provides the possibility of optimal management of the system in real time, according to the new data of the inflow to the dam. | ||
| کلیدواژه‌ها [English] | ||
| real time, NSGA-II, WEAP, support vector machines, Jamishan dam | ||
| مراجع | ||
|
Azari, A., Arman, A. (2020). Optimal Utilization of Water Resources in Real Time Based on NSGA-II Algorithms and Support Vector Machines (Case Study: Gavoshan Dam). Irrigation Sciences and Engineering (JISE), 43(1), 189-204. Azari, A., Hamzeh, S., & Naderi, S. (2018). Multi-objective optimization of the reservoir system operation by using the hedging policy. Water Resources. Management, 32(6), 2061–2078. Azari, A., Zeynoddin, M., Ebtehaj, I., Sattar, A. M. A., Gharabaghi, B. and Bonakdari, H. 2021. Integrated preprocessing techniques with linear stochastic approaches in groundwater level forecasting. Acta Geophysica, 69, 1395–1411. https://doi.org/10.1007/s11600-021-00617-2. Bayesteh, M., & Azari, A. (2021). Stochastic Optimization of Reservoir Operation by Applying Hedging Rules. Journal of Water Resources Planning and Management, 147(2), 04020099. Blum, C., & Roli, A. (2003). Metaheuristics in combinational optimization: Overview and conceptual comparision. ACM Computing Surveys, 35(3), 268-308. Candela, J. Q., & Hansen, L. K. (2002). Time series prediction based on the Relevance Vector Machine with adaptive kernels," Acoustics, Speech, and Signal Processing (ICASSP), 2002 IEEE International Conference, 985-988. Chang, J. F., Chen, L., & Chang, C. L. (2005). Optimizing reservoir operating rule curves by genetic algorithms. Hydrological Processes, 19, 2277-2289. Deb, k., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multi-objective genetic algorithm: NSGA-II. IEEE Trans Evolutionary Computing, Indian, 6(2), 182–197. Du, J., Liu, Y., Yu, Y., & Yan, W. (2017). A Prediction of Precipitation Data Based on Support Vector Machine and Particle Swarm Optimization (PSO-SVM) Algorithms, Algorithms, 10(57), 1-15. Fatemi, S. E., Parvini, H. 2022. The impact assessments of the ACF shape on time series forecasting by the ANFIS model, Neural Computing and Applications. 34 (15): 12723–12736. https://doi.org/10.1007/s00521-022-07140-5. Goorani, Z., & Shabanlou, S. (2021). Multi-objective optimization of quantitative-qualitative operation of water resources systems with approach of supplying environmental demands of Shadegan Wetland, Journal of Environmental Management, 292(6), 112769. Huang, W., Liu, H., Zhang, Y., Mi, R., Tong, C., Xiao, W., Shuai, B. 2021. Railway dangerous goods transportation system risk identification: Comparisons among SVM, PSO-SVM, GA-SVM and GS-SVM, Applied Soft Computing. 109: 107541. https://doi.org/10.1016/j.asoc.2021.107541. Jalilian, A., Heydari, M., Azari, A. and Shabanlou, S. (2022). Extracting Optimal Rule Curve of Dam Reservoir Base on Stochastic Inflow. Water Resources Management. 36 (6): 1763–1782. https://doi.org/10.1007/s11269-022-03087-3. Jian, C., Qiang, H., & Min, W. (2005(. Genetic algorithm for optimal dispatchin. Water Resource Planning and Management, 19, 321-331. Kalita, H. M., Sarma, A. K., & Bhattacharjya, P. K. (2007). Evaluation of Optimal River Training Work Using GA Based Linked Simulation-Optimization Approach. Water Resources Management, 28, 2077–2092. Karamian, F., Mirakzadeh, A. A., Azari, A. 2023. Application of multi-objective genetic algorithm for optimal combination of resources to achieve sustainable agriculture based on the water-energy-food nexus framework. Science of The Total Environment. 860: 160419. https://doi.org/10.1016/j.scitotenv.2022.160419. Lei, J., Quan, Q., Li, P., & Yan, D. (2021). Research on Monthly Precipitation Prediction Based on the Least Square Support Vector Machine with Multi-Factor Integration. Atmosphere, 12(8), 1076. Lin, J. Y., Cheng, C. T., & Chau, K. W. (2006). Using support vector machines for long-term discharge prediction. Hydrological Sciences Journal, 51(4), 599-612. Momtahen, Sh., & Dariane, A. B. (2007). Direct search approaches using genetic algorithms for optimization of water reservoir operating policies. Water Resource Planning and Management, 133(3), 202–209. Nicklow, J., Reed, P., Savic, D., Dessalegne, T., Harrell, L., Chan-Hilton, A., Karamouz, M., Minsker, B., Ostfeld, A., Singh, A., & Zechman, E. (2010). State of the Art for Genetic Algorithms and Beyond in Water Resources Planning and Management, Journal of Water Resources Planning and Management, 136, 412-432. Smola, A. J., Schölkopf, B. (2004). A tutorial on support vector regression. Statistics and Computing. 14 (3): 199–222. https://doi.org/10.1023/B%3ASTCO.0000035301.49549.88. Soltani., K., and Azari, A. (2022). Forecasting groundwater anomaly in the future using satellite information and machine learning. Journal of Hydrology, 612 (2): 128052. https://doi.org/10.1016/j.jhydrol.2022.128052. Soltani, K., Ebtehaj, I., Amiri, A., Azari, A., Gharabaghi, B. and Bonakdari, H. 2021. Mapping the spatial and temporal variability of flood susceptibility using remotely sensed normalized difference vegetation index and the forecasted changes in the future. Science of The Total Environment, 770, 145288. https://doi.org/10.1016/j.scitotenv.2021.145288. Su, J., Wang, X., Liang, Y., & Chen, B. (2014). GA-Based Support Vector Machine Model for the Prediction of Monthly Reservoir Storage. Journal of Hydrologic Engineering, 19(7), 1430-1437. Tennant, D. L. (1976). Instream flow regimens for fish, wildlife, recreation and related environmental resources. Fisheries, 1(4), 6-10. Thissen, U., van Brakel, R., de Weijer, A. P., Melssen, W.J., & Buydens, L. M. C. (2003). Using support vector machines for time series prediction. Chemometrics and Intelligent Laboratory Systems, 69, 35–49. Vapnik, V. N., and Cortes, C. 1995. Support vector networks. Machine Learning, 20, 273-297. Wardlaw, R., & Sharif, M. (1999). Evaluation of genetic algorithms for optimal reservoir system operation. Water Resource Planning and Management, 125(1), 25-33. Xi, X. C., Poo, A. N., & S. K. Cho. (2007). Support vector regression model predictive control on a HVAC plant. Control Engineering Practice, 15, 897–908. Yadav, A., Joshi, D., Melingi, S. B., Revanth, J., Aashrith, P., Chithaluru, P. (2022). Integration of genetic algorithm and support vector machine for water discharge prediction in river basin system. NeuroQuantology, 20 (10), 11811-11821. https://doi.org/ 10.14704/NQ.2022.20.10.NQ551145. Zarei, N., Azari, A., & Heidari, M. M. (2022). Improvement of the performance of NSGA-II and MOPSO algorithms in multi-objective optimization of urban water distribution networks based on modification of decision space. Applied Water Science, 12(6), 133. https://doi.org/10.1007/s13201-022-01610-w. Zeinali, M., Azari, A., & Heidari, M. (2020b). Multiobjective Optimization for Water Resource Management in Low-Flow Areas Based on a Coupled Surface Water–Groundwater Model. Journal of Water Resource Planning and Management, 146(5), 04020020. Zhang, W., Hou, S., Yin, H., Li, L., Wu, K. (2022). Evaluation of Regional Water-Saving Level Based on Support Vector Machine Optimized by Genetic Algorithm. Water, 14 (17), 2615. https://doi.org/10.3390/w14172615. | ||
|
آمار تعداد مشاهده مقاله: 156 تعداد دریافت فایل اصل مقاله: 96 |
||