علوم آب و خاک

وقتی که شبکه با کمبود فشار مواجه شود و یا دبی تقاضا در گره‌ها بیشتر از مقدار طراحی شده باشد، شبکه اغلب نمی‌تواند تقاضای مورد نیاز در گره‌ها را به‌طور کامل تأمین کند. بررسی رفتار شبکه در این حالت، نیازمند استفاده از روش تحلیل مبتنی بر فشار است. برخلاف تحلیل مبتنی بر تقاضا، در این حالت لازم است برای هر گره معادله‌ای بین فشار و دبی تقاضا در نظر گرفته شود تا به‌طور هم‌زمان با سایر معادلات هیدرولیکی شبکه حل شود. در این پژوهش، سیستم پشتیبان تصمیم‌گیری جهت تحلیل شبکه به روش مبتنی بر فشار براساس الگوریتم بهینه‌سازی ازدحام ذرات و شبیه‌ساز هیدرولیکی EPANET توسعه داده شد تا به‌توان به‌سادگی رفتار شبکه در شرایط کمبود فشار را شبیه‌سازی کرد. شبکه‌ای چهار حلقه‌ای از پژوهش‌های پیشین انتخاب شد و تحلیل شبکه، براساس روش‌ها و روابط مختلف بین فشار و دبی تقاضا ارائه شده است. نتایج تحلیل شبکه نشان می‌دهد، مدل ارائه شده به‌خوبی مدل‌های پیشین بود و در مقایسه با برخی روش‌ها، عملکرد بهتری نیز در همگرایی دارد. استفاده از رابطه‌های مختلف فشار-تقاضا، تأثیر زیادی در جواب نهایی حاصل از تحلیل مبتنی بر فشار ندارد، درحالی‌که اختلاف نتایج حاصل از تحلیل مبتنی برفشار و تحلیل مبتنی بر تقاضا، قابل توجه است.

پیش‌بینی جریان رودخانه یکی از جنبه‌های کلیدی هیدرولوژی است که نقش بسزایی در مدیریت منابع آب، کاهش خطرات ناشی از سیل و برنامه‌ریزی کشاورزی ایفا می‌کند. هدف اصلی این مطالعه، شبیه‌سازی دقیق و پیش‌بینی جریان ماهانه رودخانه رازاور در استان کرمانشاه، با توسعه و ارزیابی مدل ترکیبی ماشین یادگیری افراطی (ELM) بهینه‌سازی‌شده توسط الگوریتم‌های فراابتکاری نهنگ (WOA) و ملخ (GOA) است. برای این منظور، داده‌های ماهانه جریان رودخانه، بارندگی، تبخیر و دما برای یک بازه زمانی ۱۰ساله با گام زمانی ماهانه جمع‌آوری و در بازه عددی صفر تا یک نرمال‌سازی شدند. 80 درصد داده‌ها برای آموزش و 20 درصد باقی‌مانده برای ارزیابی مدل‌ها استفاده شد. عملکرد مدل‌ها با شاخص‌های آماریNSE ، RMSE و R² سنجیده شد. ابتدا مدل پایه ELM با استفاده از روش سعی و خطا برای تنظیم وزن‌های بین لایه‌های پنهان و خروجی توسعه یافت. سپس، الگوریتم‌های WOA و GOA برای بهینه‌سازی وزن‌ها به کار گرفته شدند. نتایج نشان داد که مدل پایه ELM نسبت به مدل‌های بهینه‌سازی‌شده عملکرد ضعیف‌تری دارد (آموزش:0/1427=R2=0/7911 ،NSE=0/7795 ،RSME ، تست: 0/1406=R2=0/7916 ،NSE=0/7811 ،RSME. مدل GOA-ELM نسبت به مدل ELM عملکرد بهتر اما نسبت به مدل WOA-ELM عملکرد ضعیف‌تری داشت (آموزش:0/1366 =R2=0/7922 ،NSE= 0/7855 ،RSME ، تست: 7R2=0/7925 ،NSE=0/7859 ،0/1328= .(RSME مدل WOA-ELM نسبت به همه مدل‌ها عملکرد بهتری دارد (آموزش: 0/1215=R2=0/793 ،NSE=0/7869 ،RSME،تست: 0/1165  =R2=0/7933 ،NSE=0/7872 ،RSME). این پژوهش نشان می‌دهد که الگوریتم‌های بهینه‌سازی فراابتکاری به دلیل توانایی جستجوی جامع و جلوگیری از گرفتار شدن در بهینه‌های محلی، نقش مهمی در بهبود عملکرد مدل‌های پیش‌بینی جریان رودخانه دارند. یافته‌های این مطالعه، بر اهمیت به‌کارگیری این تکنیک‌ها در مدیریت منابع آب و برنامه‌ریزی پایدار تأکید می‌کند و زمینه‌ساز پژوهش‌های آتی در این حوزه خواهد بود.