fa شبیه‌سازی جریان رودخانه رازاور کرمانشاه با استفاده از مدل یادگیری افراطی و الگوریتم‌های بهینه‌سازی فراابتکاری نهنگ و ملخ عمومی Ggeneral پژوهشي Research <div style="text-align: justify;">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 R&sup2; 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&nbsp; =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.</div> <div style="text-align: justify;">The river flow prediction is a key aspect of hydrology that plays a significant role in water resources management, flood risk reduction, and agricultural planning. This study simulates the monthly flow of the Razavar River, located in western Iran, using an extreme learning machine (ELM) model enhanced by the Whale (WOA) Optimization Algorithm and Grasshopper Optimization Algorithm (GOA) metaheuristic optimization algorithms. The data used include river flow, precipitation, evaporation, and temperature, which were collected for 10 years with a monthly time step and normalized in the numerical range of zero to one. 80% of the data is used for training, and the remaining 20% for model evaluation. The performance of the models is measured with the statistical indices RMSE, NSE, and R&sup2;. First, the basic ELM model is developed using the trial-and-error method to adjust the weights between the hidden and output layers. Then, the WOA and GOA algorithms are used to optimize the weights. The results show that the basic ELM model performs worse than the optimized models (Train: RMSE=0.1427, NSE=0.7795, R&sup2;=0.7911, Test: RMSE=0.1406, NSE=0.7811, R2=0.7916). While the WOA-ELM and GOA-ELM models provide similar results, the WOA-ELM model shows better performance in complex conditions (Train: RMSE=0.1215, NSE=0.7869, R2=0.7932, Test: RMSE=0.1165, NSE=0.7872, R2=0.7933). The results of this research show that meta-heuristic optimization algorithms play an important role in improving the performance of river flow prediction models due to their ability to search comprehensively and avoid getting stuck in local optima. The findings of this study emphasize the importance of applying these techniques in water resources management and sustainable planning and will pave the way for future research in this area.</div> مهندسی رودخانه, ماشین یادگیری افراطی, الگوریتم بهینه‌سازی,GOA, WOA River engineering, Extreme learning machine, Optimization algorithm, GOA, WOA. 73 93 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-7028-1&slc_lang=fa&sid=1 Meysam Bagherifar میثم باقری فر meysam.bagherifar@gmail.com No Department of Water Engineering, Faculty of Agriculture, Razi University, Kermanshah, Iran. گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران. Maryam Hafezparast مریم حافظ پرست m.hafezparast@razi.ac.ir Yes Department of Water Engineering, Faculty of Agriculture, Razi University, Kermanshah, Iran. گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران.