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

Authors

  • حیدر زارعی استادیار دانشکده علوم و مهنسی آب دانشگاه شهید چمران اهواز
Abstract:

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.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بار...

full text

ارزیابی کاربرد مدل های شبکه عصبی مصنوعی، شبکه عصبی تطبیقی فازی و رگرسیون در پیش‌‌بینی کربن آلی ذره ای در مراتع خرابه سنجی ارومیه

کربن آلی خاک اثرات مفید­ی روی خواص شیمیایی­، فیزیکی و حرارتی خاک داشتهو همچنین روی فعالیت‌های بیولوژیکی خاک‌ها موثر است. کربن آلی ذره­اییکی از بخش های مهم ناپایدار مواد آلی می باشد و نقش قابل توجهی در کیفیت خاک و مدیریت سرزمینهای مرتعی دارد. در این تحقیق جهت برآورد دقیق کربن آلی ذره­ای خاک از مدل‌های شبکه عصبی مصنوعی (­­ANN)، شبکه عصبی تطبیقی- فازی(ANFIS)  و رگرسیون چند متغیره استفاده شد. جهت ا...

full text

مقایسه توانایی پیش بینی مدل های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی- فازی انطباقی(ANFIS) و تبدیل موجک-عصبی: قیمت سبد نفت خام اوپک

پیش بینی قیمت نفت خام از مهم ترین موضوعات فرا روی اقتصاد انرژی است. پیش بینی مناسب قیمت نفت و آن هم قیمت نفت خام اوپک، به دلیل درگیر بودن تعدادی از کشورهای در حال توسعه این سازمان با قیمت نفت، می تواند در برنامه ریزی های سازمان و کشورهای عضو آن، اهمیت ویژه ای داشته باشد. برآورد و پیش بینی روند قیمت نفت، به خاطر نبود داده های تاریخی مهم و محدودیت اطلاعات مرتبط با شاخص های موثر بر روند قیمت نفت، ...

full text

کارایی شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل‌سازی بارش- رواناب در حوضه آبخیز سد زاینده‌رود

در دهه‌های اخیر به‌دلیل اهمیت یافتن مسئله آب و همینطور افزایش تمایل به محاسبه مقدار رواناب حاصل از بارش، توسعه و اجرای روشهای مناسب برای پیش‌بینی رواناب از روی داده‌های بارش به مسئله‌ای ضروری تبدیل شده است. یکی از این روشها که در بسیاری از رشته‌ها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای محاسبات نرم نظیر منطق فازی و شبکه‌های عصبی مصنوعی است. در این تح...

full text

پیش‌‌بینی جریان روزانه رودخانه اهرچای با استفاده از روش های شبکه های عصبی مصنوعی (ANN) و مقایسه آن با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS)

در طی سال‌های اخیر پیش‌‌بینی فرآیندهای هیدرولوژیکی به منظور بهره‌برداری پایدار از منابع آب با استفاده از روش‌‌های هوشمند مورد توجه دست اندرکاران بخش آب قرار گرفته است. در این تحقیق با بهره‌‌گیری از شبکه‌‌های عصبی مصنوعی (ANN) و سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) اقدام به پیش‌‌بینی دبی جریان روزانه رودخانه اهر چای واقع در استان آذربایجان شرقی در ایستگاه های اورنگ، برمیس و تازه کند گردید. بر...

full text

پیش‌بینی خشکسالی با بکار‌گیری از مدل‌های شبکه عصبی مصنوعی و سیستم استنتاج عصبی‌-‌ فازی تطبیقی در حوزة مُند استان فارس

   امروزه خشکسالی یک معضل جدّی و گریبانگیر دربسیاری از کشور­های جهان است؛بنابراین پیش­بینیِ آن از اهمیت به‌سزایی برخوردار می­باشد. در این تحقیق، کارایی شبکة عصبی مصنوعی و سیستم استنتاج عصبی­- ­فازیتطبیقی به عنوان روش­هایی مؤثر برای پیش­بینی شدت خشکسالی حوزة "مُند" استان فارس مورد بررسی قرار گرفت. برای این منظور از داده­های بارندگی ماهانة ایستگاه باران‌سنجی تنگاب استان فارس با دورة آماری 32 ساله اس...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 24  issue 3

pages  149- 166

publication date 2017-07-23

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023