基于元启发式优化智能模型预测河道沉积物浓度垂直分布的研究

《Scientific Reports》：Integrating hippopotamus optimization algorithm into machine learning frameworks for predicting suspended sediment concentrations

　　

摘要

沉积物浓度的垂直分布是沉积物输移水力学的基本组成部分，直接影响河道和渠道系统中沉积物负荷的估算。因此，准确表征该分布仍是水利工程中的关键挑战。为此，先进的智能建模技术为实现可靠预测提供了一条稳健途径。本研究评估了六种不同建模方法——ORELM、ORELM-HOA、GPR、GPR-HOA、GMDH-ANFIS 和 GMDH-ANFIS-HOA——在预测相对沉积物浓度分布（C/C_a）方面的性能。结果表明，元启发式优化的整合显著提高了 GMDH-ANFIS、ORELM 和 GPR 框架的预测精度。比较分析显示，GMDH-ANFIS-HOA 模型取得了最高的预测精度，训练阶段 RMSE 为 0.0434、R² 为 0.9747，测试阶段 RMSE 为 0.0424、R² 为 0.9727。GPR-HOA 模型排名第二。此外，敏感性分析发现，相对水深（y/D）是影响模型精度的主导因素。这些结果表明，优化后的 GMDH-ANFIS-HOA 模型为工程师和水文学家提供了一种可靠且高效的计算工具，有助于灌溉渠道、河流工程项目及沉积物相关环境评估的改进设计与管理。