ارزیابی قابلیت مدل‏ های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ‏ای سیلاب

سابقه و هدف: توسعه روش‏های برآورد فراوانی منطقه‏‏‏ ای سیلاب در مناطق فاقد ایستگاه‏‏ های اندازه‏گیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می‏ باشد. ارزیابی فراوانی سیلاب در حوضه‏ های فاقد ایستگاه‏های اندازه‏ گیری، معمولاً توسط ایجاد روابط مناسب آماری (مدل‏ها)بین سیلاب و ویژگی‏های فیزیکی حوضه انجام می‏ گیرد. تاکنون معادلات متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف از جمله حوضه کرخه ارایه شده ولی با توجه به پیچیدگی این پدیده، روابط موجود نتوانسته‏ اند دبی سیلاب طراحی را با دقت مناسب شبیه‏ سازی کنند. بر همین اساس در این پژوهش علاوه بر روش رگرسیونی که در گذشته استفاده می‏ شد از مدل شبکه‏ های عصبی مصنوعی (ANN) و همچنین سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) استفاده شده‏ است این مدل‏ها در واقع از نوع مدل‏های جعبه‏ سیاه هستند که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودی‏ها را به خروجی‏ ها (یاخروجی) تبدیل می‏ نماید. این وضعیت در واقع مشابهت این مدل‏ها را با روابط رگرسیونی می‏رساند، با این تفاوت که قابلیت انعطاف آنها در تنظیم وزن‏ها بیشتر بوده و لذا به عنوان جایگزین برای رگرسیون‏های چند متغیره استفاده می‏شود. مواد و روش‏ها: منطقه مورد پژوهش، در نواحی غرب ایران قرار دارد که شامل 33 ایستگاه هیدرومتری همگن می‏ باشد. از ایستگاه‏های همگن موجود،27 ایستگاه برای واسنجی(ایجاد مدل) و 6 ایستگاه برای صحت سنجی مدل‏های ایجاد شده، مورد استفاده قرار گرفتند، برای حصول به مدل واحد، دوره بازگشت به عنوان عامل مستقل در مدل در نظر گرفته شد. یافته‏ ها: برای دست‏یابی به بهترین ساختار شبکه‏ عصبی‏ مصنوعی و همچنین شبیه‏ سازی در سیستم ANFIS از ترکیبات مختلف فیزیوگرافی به همراه دوره‏ بازگشت به‏ عنوان ورودی استفاده شد. برای بدست آوردن مهمترین عوامل ورودی در مدل‏ها از تحلیل ‏حساسیت در محیط نرم‏ افزار SPSS استفاده شد، و بدین ترتیب مهمترین متغییر‏های مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول‏ آبراهه اصلی وشیب، در مدل ANN ساختارهای مختلف این ورودی‏ها با یکدیگر مقایسه شدند با این توضیح که برای بهینه ‏سازی وزن‏های اتصال در بین لایه های مختلفANN از الگوریتم ژنتیک استفاده شده ‏است. بدین ترتیب بهترین شبکه، پیش‏خور با ساختار 1-10- 5 با ضریب تعیین 0.95 انتخاب شد. و همچنین در سیستم ANFIS، با افزایش تعداد ورودی‏ها در هر چهار تابع عضویت مثلثی، گوسی نوع 1، گوسی نوع 2 و ذوزنقه‏ ای دقت شببیه‏ سازی افزایش یافته به طوری که بهترین شبیه‏ سازی در تابع مثلثی با RMSE=0.1514 و R^2=0.97که در آن تعداد قوانین 243 می‏باشد. در پایان با مقایسه مدلANFIS ، ANN و مدل رگرسیونی مشخص شد که مدل ANFIS در مقایسه با شبکه عصبی منتخب و مدل رگرسیونی به خصوص در دوره بازگشتهای زیاد از دقت بالاتری برخوردار است. نتیجه‏ گیری:مدل رگرسیونی در زیر حوضه‏ هایی که دبی‏ سیلاب آن‏ها در دوره بازگشت‏های مختلف حدوداً کمتر از m3/s1000 باشد، ازمطابقت خوبی با دبی سیلاب واقعی برخوردار است همچنین مدل شبکه عصبی نیز در دبی‏ های کم دقت خوبی دارند ولی از آنجا که مدل رگرسیونی قادرند پیش‏بینی‏ های خود را در قالب فرمول ارایه کنند، نسبت به مدلهای ANN و ANFIS که اطلاعاتی در مورد روابط بین پارامترهای مسئله ارایه نمی‏دهند برای مهندسین راحتر می‏باشد ولی در مجموع از نظر دقت پیش‏بینی سیستم استنتاج فازی-عصبی تطبیقی(ANFIS) در تمام دوره بازگشت‏ها، دبی سیلابشان از مطابقت بسیار بالایی با دبی سیلاب واقعی برخوردار بوده و می‏توان به عنوان بهترین ابزار برای پیش‏بینی دبی سیلاب در دوره ‏بازگشت‏های مختلف در حوضه آبریز کرخه معرفی کرد.