تعیین ویژگی‌های موثر برای تخمین حجم آب تحویلی به شبکه آبیاری با استفاده از شبکه عصبی مصنوعی ترکیبی با الگوریتم چرخه آب (مطالعه موردی: شبکه آبیاری و زهکشی سد سفیدرود)

در این مطالعه قابلیت الگوریتم فرا ابتکاری چرخه آب در زمینه مدلسازی حجم آب تحویلی به شبکه‌ آبیاری و تعیین ویژگی‌های موثر بر آن با ترکیب با شبکه عصبی بررسی شد. پنج ویژگی شامل حجم آب تحویلی به شبکه‌های آبیاری سد سفیدرود در یک روز قبل، دبی و حجم ورودی در هفت روز قبل، تراز و حجم مخزن در ده روز قبل برای ورودی مدل‌های هوشمند انتخاب شد. با اجرای الگوریتم هیبریدی wca-ann، روش انتخاب ویژگی و تحلیل حساسیت ترکیب سه‌تایی از ویژگی‌ها با مقدار خطا (mse) برابر 0.00045 بهترین ترکیب ورودی محسوب می‌شوند. حجم آب تحویلی به شبکه‌های آبیاری سد سفیدرود در یک روز قبل با توجه به تحلیل حساسیت موثرترین ویژگی‌ در مدلسازی آن است. در ادامه در این مطالعه وزن‌های شبکه عصبی مصنوعی به کمک دو الگوریتم فرا ابتکاری چرخه آب بدون عمل تبخیر (wca) و چرخه آب با عمل تبخیر (er.wca) به منظور افزایش کارایی بهینه گردید. از لحاظ اولویت مدل هیبرید anner.wca با بیش‌ترین دقت و کمترین خطا و با مقادیرr،nrmse ، mae وns به ترتیب برابر با 0.9915، 0.0975، 0.0090 و 0.9829 در دوره آزمون، در اولویت اول و مدل‌های annwca و ann به ترتیب در اولویت‌های بعدی قرار گرفتند.

Determining Effective Features for Estimating the Volume of Water Delivered to the Irrigation and Drainage Network using Artificial Intelligence Methods (Case study: Irrigation and Drainage Network of Sefidrood Dam)

In this study, the ability of water cycle algorithm in combination with ANN to model the volume of water delivered to the Irrigation and drainage network and determine the effective characteristics, was investigated. For the input of artificial intelligence models, five Features include the volume of water delivered to Sefidrood Irrigation and drainage network for one lags, flow and inlet volume for seven lags, level and reservoir volume for ten lags, were chosen. Using a hybrid algorithm, feature selection method and sensitivity analysis, a triple combination of features (with MSE of 0.00045) is the best input combination. The volume of water delivered to Sefidrood Irrigation and drainage network for one lags according to sensitivity analysis has been the most effective feature in its modeling. Then the artificial neural network weights were optimized to increase efficiency and with the help of two metainnovative algorithms: water cycle without evaporation (WCA) and water cycle with evaporation (ER.WCA). The ANNER.WCA hybrid model with the highest accuracy (with values of R, NRMSE, MAE and NS equal to 0.9915, 0.0975, 0.0090 and 0.9829 in the test period, respectively) is in the first priority and the ANNWCA and ANN models are next in line, respectively.