کاربرد الگوریتم رقابت استعماری در تخمین مقادیر بار معلق رسوبی

پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن به دلیل تاثیر پارامترهای مختلف، به آسانی میسر نیست. حوضه های جنوب شرقی دریاچه ارومیه به علت برخورداری از شرایط هیدرولوژیکی خاص، از میزان بالای تولید رسوب برخوردار می باشند. هدف از انجام این تحقیق به کارگیری و مقایسه الگوریتم‌های رقابت استعماری و  ژنتیک در تخمین بار معلق رسوبی روزانه رودخانه زرینه رود می باشد. به این منظور داده های دبی روزانه و  بار معلق رسوبی ایستگاه رسوبی واقع در رودخانه زرینه رود برای سال های 1386 و 1392 مورد استفاده قرار گرفت. نتایج حاصل از دو روش پیشنهادی با مقادیر واقعی رسوب مورد مقایسه قرار گرفت. نتایج حاصل از اجرای الگوریتم‌های رقابت استعماری و ژنتیک مقدار مجذور مربعات خطا (rmse)، به ترتیب (mg/l) 237 و (mg/l) 229  می‌باشد. هم چنین مقادیر ضریب تبیین (r^2)، در مرحله صحت سنجی نیز برای الگوریتم رقابت استعماری و ژنتیک به ترتیب 0.889و 0.835 بوده است. نتایج حاصل از این تحقیق، انعطاف پذیری، توانایی و دقت بالای الگوریتم رقابت استعماری  را در مقایسه با نتایج روش الگوریتم ژنتیک به اثبات می رساند.

An Application of Imperialist Competitive Algorithm in Estimating Sediment Suspended Load

Erosion phenomenon and sediment transition is one the most complex hydrodynamics problems, so simply it is not possible the exact determination of its governing equations. Southeast basins of Urmia lake consist of high sediment production, because of haring special hydrologic conditions. The purpose of this research is to use and compare of imperialist competitive and genetic algorithms in estimating of daily sediment suspended load in Zarrineh rood river. For this aim, the daily discharge data and sediment suspended load of the sedimentary station in Zarrineh rood river wase used for 2007 and 2013 years. The results of two purposed methods were compared with actual sediment values. The results of validity of the simulation with ICA model show that RMSE in testing sample for ICA and GA algorithms are 237 and 229, respectively. Also, R2 of validity for ICA and GA has been 0.889 and 0.835, respectively. The results of this study indicate flexibility, ability and high accuracy of the ICA compared with genetic algorithm (GA) is good.