مدل‌سازی پیش‌بینی جریان ورودی به مخزن سد در 12 ماه آتی برای بهبود مدیریت مخزن سد علویان

نوع مقاله : مقاله کامل پژوهشی

نویسندگان

گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز

10.22034/ceej.2024.59627.2308

چکیده

با توجه به نقش اساسی آب در زندگی بشر و محدودیت‌های منابع آب، برآورد دقیق میزان پتانسیل منابع آب و استفاده بهینه از آن،‌ یک مسئله مهم و قابل‌توجه در محافل علمی و صنعت آب است. پیش‌بینی چند ماه آینده جریان ورودی به مخزن سدها موجب بهبود مدیریت بهره‌برداری از مخزن سدها می‌گردد؛ بنابراین پیش‌بینی جریان آب ورودی به مخازن سدها با دقت بالا، با استفاده از مدل‌های مبتنی بر هوش مصنوعی و روش‌های نوین روز، ضروری می‌باشد. در این مقاله از توانایی مدل شبکه عصبی مصنوعی ((ANN) Artificial Neural Network) با انتشار برگشتی خطا و از سایر مدل‌های مبتنی بر داده‌کاوی در بستر نرم‌افزار WEKA (Waikato Environment for Knowledge Analysis) در مدل‌سازی پیش‌بینی چند گام بعد (تا 12 ماه بعد) با به‌کارگیری ورودی‌های مشاهداتی استفاده ‌شده است. در انتها، کارآیی همه مدل‌ها با استفاده از معیارهای ارزیابی بررسی‌شده و مدل‌ها با یکدیگر مقایسه شده‌اند. هدف این مقاله، پیش‌بینی چند ماه آینده جریان ورودی به مخزن سد علویان می‌باشد. در این تحقیق، ورودی‌های مدل شامل رواناب ورودی به مخزن سد، دما، تبخیر، بارش و پوشش برف حوضه آبریز سد و شاخص‌های خشک‌سالی می‌باشد و این داده‌ها به‌صورت ماهانه و به‌مدت 25 سال (1376-1401) استفاده گردیده است. مقایسه نتایج مدل ANN با سایر مدل‌های RF، RT، GP و SM در مرحله صحت‌سنجی، نشان‌دهنده‌ این است که در همه گام‌ها، نتایج پیش‌بینی برای همه مدل‌ها مناسب بوده است و از بین 5 مدل که نتایج آن‌ها باهم مقایسه گردیده است، نتایج متوسط ضریب همبستگی مدل‌های ANN و RF و RT به‌ترتیب 85%، 90% و 83% در مقایسه با سایر مدل‌ها در پیش‌بینی جریان ورودی به مخزن سد علویان در چند گام بعد (1 تا 12 ماه) مناسب و نزدیک به داده‌های مشاهداتی به‌ویژه در نقاط پیک بوده است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predictive Modeling of Reservoir Inflow for Multi-Step Ahead to Improve Management of Alavian Dam Reservoir

نویسندگان [English]

  • Bagher Nikofar
  • Vahid Nourani
  • Aida Hosseini Baghanam
Faculty of Civil Engineering, University of Tabriz, , Iran
چکیده [English]

Accurate reservoir inflow forecasting is essential for efficient water resources management, particularly under increasing pressure on available water supplies. This study evaluated the performance of an Artificial Neural Network (ANN) and several data-mining models developed in the Weka environment for forecasting inflow to the Alavian Dam reservoir up to 12 months ahead. Monthly data from 1997 to 2022 were used to build the models. The input variables included reservoir inflow, temperature, evaporation, precipitation, basin snow cover, and drought indices. Model performance was assessed during the validation phase and compared across different forecasting horizons. The results showed that all models provided acceptable and reliable predictions. However, ANN, RF, and RT outperformed the other models in overall accuracy. Their average correlation coefficients were 0.85, 0.90, and 0.83, respectively. These models also showed strong agreement with observed data, especially in reproducing peak inflow values. The findings demonstrate the effectiveness of AI-based approaches for multi-step reservoir inflow prediction.

کلیدواژه‌ها [English]

  • Inflow forecasting
  • Multi-step modeling
  • ANN
  • Weka software
  • Alavian dam reservoir

مراجع

Antar MA, Elassiouti I, Allam MN, “Rainfall‐runoff modelling using artificial neural networks technique:a Blue Nile catchment case study”, Hydrological Processes, 2006, 20, 1201-1216. https://doi.org/10.1002/hyp.5932
Dinu C, Drobot R, Pricop C, Blidaru TV, “Flash-flood modelling with artificial neural networks  using radar rainfall estimates”, Mathematical Modelling in Civil Engineering, 2017, 13, 10-20. https://doi.org/10.1515/mmce-2017-0008
Ghorbani MA, Khatibi R, Karimi V, Yaseen ZM, Zounemat-Kermani M, “Learning from multiple models using artificial intelligence to improve model prediction accuracies: application to river flows”, Water Resources Management, 2018, 32 (13), 4201-4215. https://doi.org/10.1007/s11269-018-2038-x
Ibrahimi Mohammadi Sh, Boushra Seghale M, “Modeling and forecasting of monthly discharge, case study: Ghara So”, 4th Iran Water Resources Conference, Amirkabir University, Tehran, 2011.
Kim TW, Valdés JB, “Nonlinear model for drought forecasting based on a conjunction of wavelet  transforms and neural networks”, Journal Hydrologic Engineering, 2003, 8, 319-328. https://doi.org/10.1061/(ASCE)1084-0699(2003)8:6(319)
Kisi O, “River flow modeling using artificial neural networks”, Journal of Hydrologic Engineering, 2004, 9 (1), 60-63. https://doi.org/10.1061/(ASCE)1084-0699(2004)9:1(60)
Kulkarni PS, Londhe S, Sainkar N, Rote S, “Estimation of discharge and total water level at yedgaon dam using data driven techniques”, In IOP Conference Series: Materials Science and Engineering, 2021, 1197 (1), 012021. https://doi.org/10.1088/1757-899X/1197/1/012021
Li B, Yang G, Wan R, Dai X, Zhang Y, “Comparison of random forests and other statistical methods for the prediction of lake water level: a case study of the Poyang Lake in China”, Hydrology Research, 2016, 47 (1), 69-83. https://doi.org/10.2166/nh.2016.264
Li X, Sha J, Wang ZL, “Comparison of daily streamflow forecasts using extreme learning machines and the random forest method”, Hydrological Sciences Journal, 2019, 64 (15), 1857-1866. https://doi.org/10.1080/02626667.2019.1680846
Lin JY, Cheng CT, Chau KW, “Using support vector machines for long-term discharge prediction”, Hydrological Sciences Journal, 2006, 51 (4), 599-612. https://doi.org/10.1623/hysj.51.4.599
Mahab Ghods Eng. Cons. “Standards for operation of Alavian Dam: Hydrologic Report”, East Azarbaijan Water Organization, 2015.
Mohammadi B, Ahmadi F, Mehdizadeh S, Guan Y, Pham Q-B, Linh N-T, Tri D-Q, “Developing novel robust models to improve the accuracy of daily streamflow modeling”, Water Resources Management, 2020, 34, 3387-3409. https://doi.org/10.1007/s11269-020-02619-z
Mohammadi Klaleg Sh, Sattari MT, Rasouli A, Khyat Rostami B, “Prediction of monthly input discharge into Sabalan Dam reservoir via ANN and M5 for one water year”, 1st Int. Water and Environment and Development, 2015.
Najafi H, Nourani V, Sharghi E, Babaeian Amini A, “Multistep modeling of hydroclimatic phenomena using wavelet-neural network seasonal model”, Journal of Civil and Environmental Engineering, 2022, 52 (107), 139-150. https://doi.org/10.22034/jcee.2020.16962.1418
Nourani V, Najafi H, Amini A-B, Tanaka H, “Using Hybrid Wavelet-Exponential Smoothing Approach for Streamflow Modeling”, Complexity, 2021. https://doi.org/10.1155/2021/6611848
Sanikhani H, Dinpashoh Y, Ghorbani M. “Baranduz-chay river flow modeling using the k-nearest neighbor and intelligent methods”, Water and Soil Science, 2015, 25 (1), 219-233.
Sattari MT, Yurekli K, Pal M, “Performance evaluation of artificial neural network approaches in forecasting reservoir inflow”, Applied Mathematical Modeling, 2012, 36, 2649-2657. https://doi.org/10.1016/j.apm.2011.09.048
Schulz E, Speekenbrink M, Krause A, “A tutorial on Gaussian process regression: Modelling, exploring, and exploiting functions”, Journal of Mathematical Psychology, 2018, 85, 1-16. https://doi.org/10.1016/j.jmp.2018.03.001
Sharghi E, Nourani V, Molajou A, Najafi H, “Conjunction of emotional ANN (EANN) and wavelet transform for rainfall-runoff modeling”, Journal of Hydroinformatics, 2019, 21. https://doi.org/10.2166/hydro.2018.054
Sharghi E, Nourani V, Najafi H, Molajou A, “Emotional ANN (EANN) and wavelet-ANN (WANN) approaches for Markovian and seasonal based modeling of rainfall-runoff process”, Water Resources Management, 2018, 32, 3441-3456. https://doi.org/10.1007/s11269-018-2000-y
Sharma H, Chug A, “Dynamic metrics are superior than static metrics in maintainability prediction: An empirical case study”, In 2015 4th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO) (Trends and Future Directions) (pp. 1-6). IEEE, 2015. https://doi.org/10.1109/ICRITO.2015.7359354 

فایل ها

هم رسانی

ارجاع به این مقاله

آمار