بهینه‌سازی پارامترهای حساس مدل بارش‌ـ رواناب HEC-HMS به وسیلة الگوریتم فراکاوشی بهینه‌سازیPSO

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناس ارشد منابع آب دانشگاه فردوسی مشهد

2 استادیار گروه مهندسی آب دانشگاه فردوسی مشهد

چکیده

محدودیت‏های ساختاری مدل‏های هیدرولوژیکی و عدم دسترسی به همة پارامترهای حوضة آبخیز همچنین عدم امکان تعیین دقیق شرایط مرزی و شرایط اولیه، واسنجی مدل‏های هیدرولوژیک را ایجاب می‏کند. با توجه به زمان‌بربودن واسنجی دستی، به‏ویژه هنگامی که داده‏ها کم و پارامترها فراوان‌اند، روش‏های واسنجی خودکار، مبتنی بر استفاده از روش‏های جست‌وجوی سیستماتیک در فضای چند‏بعدی، با استفاده از یک تابع هدف، بسیار سودمند است. در این مطالعه، نرم‏افزار HEC-HMS[1] همچون مدل شبیه‏ساز و الگوریتم هوش‏جمعی PSO[2] به مثابة مدل بهینه‏ساز عمل می‏کنند. برنامه‏نویسی مدل و فراخوانی HEC-HMSدر محیط برنامة MATLAB انجام گرفت. مدل تلفیقی ارائه‌شده در حوضة سد ‌کارده، واقع در استان خراسان رضوی، بررسی شد. واسنجی مدل به کمک تابع هدف RMSE در سناریوهای مختلف سه‏رخداده مطالعه شد و نتایج دسته‌ای پارامتر با مقادیر متفاوت تولید کرد. سپس همة سناریوهای بررسی‌شده صحت‏سنجی شد و در انتها، با مقایسة مقادیر تابع هدف و ضریب همبستگی بین دبی‏های مشاهداتی و محاسباتی در رخدادهای مختلف، سه دسته پاسخ‏ تولیدشده به منزلة پاسخ‏های بهینة مدل معرفی شد. نتایج بر خاصیت عدم امکان حصول پارامترهای منحصر‏به‏فرد برای یک حوضة آبخیز تأکید داشت. این روش، با توجه به مشکل غیرمنفردبودن مجموعه‏ جواب‏های مسئلة واسنجی به منزلة یک مسئلة معکوس، می‏تواند در محدودکردن تعداد جواب‏های کاندید مؤثر باشد.



[1] Hydrologic Engineering Center’s- Hydrologic Modeling System


[2] Particle Swarm Optimization

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Optimization Parameters of Rainfall-Runoff Model of HEC-HMS through PSO Algorithm

نویسندگان [English]

  • Reza Garmei 1
  • Ali Reza Faridhosseini 2
1 Graduate student, Department of Water Resources Engineering, Ferdowsi University of Mashhad
2 Assistant Professor, Department of Water Resources Engineering, Ferdowsi University of Mashhad
چکیده [English]

Structural constraints of hydrological models and  a lack of access to all the parameters of watershed along with an  impossibility of determining the boundary and initial conditions, necessitates  the need  for calibration of  hydrological models. As manual calibration is tedious, especially in the face of limited data and plenty of parameters, automatic calibration methods, employing a systematic search in a multidementional space, could be in finding suitable parameter sets through at least one objective function. Throughout the present work HEC-HMS acts as the simulation model and PSO as the optimization one. The HEC-HMS programming was done through MATLAB. The proposed integrated model was implemented for Kardeh dam basin in Khorasan Razavi province. The Model calibrated through RMSE objective function in three-event different scenarios led to the bunch of different parameters. All scenarios were validated and a comparison of objective function values as well as correlation coefficient between the observed and simulated discharge done. Results indicated three sets of solutions as an optimal solution, which emphasized the impossibility of obtaining unique parameters for a river basin. This method of solution, because of non-unique solution for calibration, would be helpful as an inverse problem which can limit the number of candidate answers.

کلیدواژه‌ها [English]

  • Swarm intelligence algorithms of PSO
  • HEC-HMS simulation model
  • Automatic calibration

مراجع

Alizadeh, A. (2008). Principles of Applied Hydrology. Imam Reza University, Mashhad.
Baltar, A. M. and Fontane D. G. (2008). Use of multi objective particle Swarm Optimization in water resource management. Journal of Water Resource Planning and Management. 21, 257-265.
Behzadian, k. (2010). Developing methods for designing optimal biopsy samples for calibration water distribution networks using multi criteria decision. Ph. D. dissertation, Amirkabir University, Tehran.
Chow, V. T., Maidment, D. R., and Mays, L. W. (1988). Applied Hydrology, McGraw, Inc, New York, USA.
Eckhardt, K., Fohrer, N., and Frede, H. G. (2005). Automatic model calibration. Wiley InterScience. 12, 651-658.
Ensaniat, N. (2012). Daily runoff simulation using the PSO algorithm in catchment model optimization. M.sc. Thesis. Azad University. Tehran.
Gupta, H. V., Sorooshian, S., and Yapo, P. (1999). Status of automatic calibration for hydrologic models comparison with multi-Level expert calibration. Journal of Hydrologic Engineering. 250, 135-143.
HEC-HMS User Manual. (2008). Retrieved January 12, from http://www.hec.usace.army.mil/software/hec-hms.
Kamali, B. and Mousavi, J. (2010). Automatic Calibration of Hydrologic Event-Based Model Using PSO Meta-Heuristic Algorithm. Fifth National Congress on Civil Engineering. (In Persian)
Kuok, K., Harun, S., and Shamsuddin, S. (2010). Particle swarm optimization feedforward neural network for modeling runoff. Int. J. Environ. Sci. Tech. 7 (1), 67-78.
Qaderi, K, Samani, J, and Eslami, H. (2006). Auto Calibration of a Rainfall-Runoff Model Based on SCE Method. Iran-Water Resources Research. 2(2), 39-52. (In Persian)
QodsiPour, A. (2009). Analytic Hierarchy Process. Amirkabir University. Tehran.
Sorooshian, S., Gupta V. H., and Fulton, J. L. (1983). Evaluation of maximum likelihood parameter estimation techniques for conceptual rainfall-runoff models' influence of calibration data variability and length on model credibility. Water Resource Research. 19, 251-259.
Timothy, D. S., Charles, S. M., and Kyle, E. K. (2000). Equations for Estimating Clark Unit Hydrograph Parameters for Small Rural Watersheds in Illinois. Water-Resources Investigations Report. 62: 18p.
Yapo, P., Gupta, H. V., and Sorooshian, S. (1996). Automatic calibration of conceptual rainfall-runoff models; Sensitivity to calibration data. Journal of Hydrology. 181, 23-48.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار