پیش‌بینی انتقال رسوب در کانالهای فاضلاب رو با استفاده از روش ترکیبی سیستمهای فازی عصبی تطبیقی و الگوریتم ژنتیک

نوع مقاله : پژوهشی

نویسندگان

1 ازاد واحد کرمانشاه

2 دانشگاه ازاد واحد کرمانشاه

3 دانشگاه آزاد واحد کرمانشاه

چکیده

در مطالعۀ حاضر به‌وسیله یک مدل ترکیبی نحوۀ انتقال رسوبات درون مجاری فاضلاب‌رو مدل‌سازی می‌شود. به‌بیان‌دیگر، توسّط سیستم استنباط فازی عصبی تطبیقی و الگوریتم ژنتیک یک الگوریتم ترکیبی(ANFIS-GA) برای تخمین عدد فرود جریان سه­فازی (هوا، آب و رسوب) ارائه داده می‌شود. در این مطالعه، از الگوریتم ژنتیک برای افزایش کارایی سیستم استنباط فازی عصبی تطبیقی با تنظیم توابع عضویّت و سپس به حداقل رساندن مقادیر خطا استفاده گردیده است. الگوریتم ژنتیک (GA) یک روش فرا ابتکاری با الهام از فرایند انتخاب طبیعی است که متعلق به طبقه‌بندی گسترده‌تری از الگوریتم‌های تکاملی (EA) است. سپس با استفاده از مقادیر ورودی، 127 مدل ترکیبی ANFIS-GA معرفی گردید. همچنین مقادیر درصد میانگین مطلق خطا و خطای جذر میانگین مربعات برای مدل برتر به ترتیب مساوی 529/5 و 315/0 به دست آمد.

کلیدواژه‌ها

عنوان مقاله [English]

Prediction of Sediment Transport in Sewer Using a Combination of Adaptive-Neuro Fuzzy Inference Systems and Genetic Algorithm

نویسندگان [English]

  • fariborz yosefvand 1
  • saeid shabanlou 2
  • ahmad rajabi 3
1 kermanshah branch, islamic azad university
2 , Kermanshah Branch, Islamic Azad University
3 Kermanshah Beranch, Islamic Azad University
چکیده [English]

In this study, the transportation of sediment in sewer flumes is predicted using a hybrid model. On the other hand, the hybrid model (ANFIS-GA) using Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Genetic Algorithm (GA) for prediction of the Froude number of three-phase (air, water and sediment) flow is developed. In this study, the genetic algorithm is used to increase the ability of ANFIS by tuning the membership functions and subsequently minimize the error. The genetic algorithm (GA) is a meta-heuristic inspired by the process of natural selection that belongs to the larger class of evolutionary algorithms (EA). Then, the 127 hybrid models were defined using input parameters. For the superior model, the Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) were computed equal to 5.529, 0.315, respectively.

کلیدواژه‌ها [English]

  • Sediment
  • Circular channel
  • ANFIS
  • Genetic algorithm
  • Hybrid model

مراجع

1. Kelly W. E., Gularte R. C., "Erosion Resistance of Cohesive Soils", Journal of Hydr. Eng. Vol. 107, pp. 1211-1214 (1981).
2. Raudkivi A. J., Tan S. K., "Erosion of Cohesive Soils", Journal of Hydr. Research. Vol. 22, No. 4, pp. 217-233, (1984).
3. Crabtree R. W., "A Classification of Combined Sewer Sediment Types and Characteristics", WRc, Swindon, (1988).
4. Alvarez E. M., "The influence of cohesion on sediment movement in channels of circular cross-section", University of Newcastle upon Tyne, England, Ph.D. Thesis, (1990).
5. Azamathulla H., Ab Ghani A., Fei S. Y., "ANFIS – based approach for predicting sediment transport in clean sewer", Journal of Applied sift computing. Vol. 12, No. 3, pp. 1227-1230, (2012).
6. Ab. Ghani A., "Sediment Transport in Sewers", University of Newcastle Upon Tyne, UK, Ph. D. Thesis, (1993).
7. Vongvisessomjai N., Tingsanchali T. Babel M. S., "Non-deposition design criteria for sewers with part-full flow", Journal of Urban Water. Vol. 7, No. 1, pp. 61–77, (2010).
8. Ota J. J., Perrusquia G. S., "Particle velocity and sediment transport at the limit of deposition in sewers", Journal of Water Science and Technology, Vol. 67, No. 5, pp. 959–967, (2013).
9. Shamseldin A.Y., "Application of a neural network technique to rainfall–runoff modelling", Journal of Hydrology, Vol. 199, pp. 272-294, (1997).
10. Giustolisi O., Laucelli D., "Improving generalization of artificial neural networks in rainfall–runoff modeling", Hydrological Sciences Journal, Vol. 50, No. 3, pp. 439-457, (2005).
11. Jain S. K., Das, D., Srivastava D. K., "Application of ANN for reservoir inflow prediction and operation", Journal of Water Resources Planning and Management, Vol. 125, No. 5, pp. 263-271, (1999).
12. Bae D.H., Jeong D.M., Kim G., "Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique", Hydrological Sciences Journal, Vol. 52, No. 1, pp.99-113, (2007).
13. Kisi O., "Suspended sediment estimation using neuro-fuzzy and neural network approaches", Hydrological Sciences Journal, Vol. 50, No. 4, pp. 683-696, (2005).
14. Ebtehaj I., Bonakdari H., "Performance evaluation of adaptive neural fuzzy inference system for sediment transport in sewers", Water Resources Management, Vol. 28, No. 13, pp. 4765-4779, (2014).
15. Ota J.J., Nalluri C., "Graded sediment transport at limit deposition in clean pipe channel", 28th International Association for Hydro-Environment Engineering and Research, Graz, Austria, (1999).
ارسال نظر در مورد این مقاله
CAPTCHA Image

فایل ها

هم رسانی

ارجاع به این مقاله

آمار