مقایسه عملکرد دو روش برنامه‌ریزی بیان ژن و شبکه عصبی مصنوعی به منظور تخمین ضریب یکنواختی توزیع آب در آبیاری بارانی

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

1 ندارم.

2 استادیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

یکنواختی توزیع آب (CU) یک پارامتر مهم فنی در طراحی سیستم‌های آبیاری می‌باشد و مقدار آن تاثیر مهمی بر کیفیت و بازده سرمایه‌گذاری در پروژه‌های آبیاری دارد. اندازه‌گیری CU در آبیاری بارانی ثابت از روی نتایج یک آبپاش منفرد با توجه به‌ در نظر گرفتن هم‌پوشانی آبپاش‌های مجاور و در مقادیر مختلف فشار کارکرد آبپاش (P)، ارتفاع پایه آبپاش (Hr)، فاصله آبپاش‌ها روی لوله‌های جانبی (Sl) و فاصله لوله‌های جانبی از یکدیگر (Sm) امری زمان بر می‌باشد. در این پژوهش، CU برای آبپاش‌های مدل 20AQ- و 6KA- در 4 تیمار فشارکارکرد (2، 5/2، 3 و 5/3 اتمسفر)، 16 تیمار فواصل آبپاش‌ها (Sl×Sm) شامل (9×18، 12×18، 15×18، 18×18، 9×15، 12×15، 15×15، 18×15، 9×12، 12×12، 15×12، 18×12، 9×9، 12×9، 15×9 و 18×9 متر)، 4 تیمار ارتفاع پایه آبپاش (60، 90، 120 و 150 سانتیمتر) و 3 تیمار آرایش آبپاش‌ها (مربعی، مستطیلی و مثلثی) در شرایط باد آرام (2-0 متر بر ثانیه) در ایستگاه تحقیقات پنبه هاشم آباد گرگان اندازه‌گیری شد. به‌منظور برآورد CU بر‌اساس روش‌های برنامه‌ریزی بیان ژن (GEP) و شبکه عصبی مصنوعی(ANN)، P, Hr , Sl ,Sm به‌عنوان پارامترهای ورودی درنظر گرفته شدند با مقایسه آماری نتایج محاسباتی، ریشه میانگین مربعات خطا (RMSE) برای روشهای GEP و ANNدر آبپاش 20 AQ- برابر 06/0 و 062/0 و در آبپاش 6KA- نیز به ترتیب برابر 067/0 و 064/0 به‌دست آمد که این امر بیانگر دقت بالا هر دو روش در مدل-سازی است. از آنجایی که مدل GEP قادر به ارائه رابطه‌ای صریح برای تخمین ضریب یکنواختی است، جنبه کاربردی بیشتری دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Performance comparison of gene expression programming and artificial neural network methods to estimate water distribution uniformity in sprinkler irrigation

چکیده [English]

Uniformity of sprinkler irrigation is an important technical parameter in the design of sprinkler irrigation systems and its value has a significant impact on the quality and the efficiency of investment in irrigation projects. With sprinkler irrigation, determining CU from a single sprinkler is time consuming due to the overlap of adjacent sprinklers and in different amounts of operating pressures (P), riser heads (Hr), sprinkler spacing on laterals (Sl) and the distance between laterals (Sm). In this research, CU quantities of two model sprinklers (AQ-20 and KA-6) were measured in slow wind velocity (0-2 m/s) , at Hashemabad cotton research station of Gorgan city under 4 different operating pressures (2, 2.5, 3 and 3.5 at), 16 distances of sprinklers (including 9×18, 12×18, 15×18, 18×18, 9×15, 12×15, 15×15, 18×15, 9×12, 12×2, 15×12, 18×12, 9×9, 9×12, 9×15, 9×18) , 4 riser heads (60, 90, 120 and 150 cm) and 3 arrangements of sprinklers (square, rectangular and triangular). For estimating CU based on gene expression programming (GEP) and artificial neural network (ANN) methods P, Hr, Sl and Sm were selected as the input variables. By statistical comparison of results, root mean squared error (RMSE) for AQ-20 sprinkler in GEP and ANN methods were obtained as 0.06 and 0.062 and for KA-6 sprinkler as 0.067 and 0.064, respectively. The results indicate the high accuracy of the two methods for modeling since GEP is capable of estimating an explicit equation for estimating CU, it incorporates a more practical feature.

کلیدواژه‌ها [English]

  • Artificial intelligence
  • Irrigation System Evaluation
  • Pressurized Irrigation
  • Water Distribution Uniformity

فایل ها

هم رسانی

ارجاع به این مقاله

آمار