پیش‌بینی جریان ورودی به مخزن سد کمال صالح با استفاده از محاسبات نرم

چکیده پیش­بینی جریان ورودی به مخازن سدها به منظور انجام برنامه­ریزی و بهره­برداری مناسب منابع آب لازم و ضروری است. در این تحقیق عملکرد دو مدل هوشمند شبکه­های عصبی مصنوعی و سامانه استنتاج فازی- عصبی تطبیقی مبتنی بر روش دسته­بندی تفریقی در پیش­بینی جریان ورودی به سد کمال صالح در استان مرکزی مورد بررسی قرار گرفت. بدین منظور از داده­های جریان و بارش در یک دوره آماری 31 ساله (1390- 1360)استفاده شد و پیش­بینی جریان در گام­های زمانی روزانه و ماهانه انجام شد. از مقادیر دبی جریان و بارش در گام­های زمانی قبلی به عنوان الگوهای ورودی مدل­ها استفاده شد. عملکرد هر دو مدل در پیش­بینی­های روزانه و ماهانه جریان بر اساس مقادیر شاخص­های خطای R، RMSE و MAE بسیار مطلوب بود، هرچند عملکرد مدل فازی- عصبی بهتر از مدل شبکه­های عصبی بود (کمتر از 3 درصد). استفاده از ضریب فصلی موجب بهبود عملکرد مدل­ها در پیش­بینی­های ماهانه شد. در ادامه، اثرات متغیرهای اقلیمی بزرگ مقیاس شامل شاخص نوسانات آتلانتیک شمالی و شاخص نوسانات جنوبی در پیش­بینی­های ماهانه حاصل از الگوی بهینه مدل برتر بخش قبل، مورد بررسی قرار گرفت. نتایج به دست آمده حاکی از آن بود که استفاده از شاخص­های اقلیمی در ترکیب الگوهای ورودی، می­تواند موجب بهبود عملکرد مدل در پیش‌بینی­های جریان ورودی گردد. در این میان شاخص نوسانات جنوبی تاثیر بیشتری بر بهبود پیش­بینی دبی جریان ماهانه داشت. به طوریکه، مقدار شاخصهای آماری تحلیل خطای مدل فازی- عصبی شامل R، RMSE و MAE به ترتیب برابر 91/0، 56/3، 73/3 به دست آمدند که نشان­دهنده توان افزایش دقت مدل با بهبود شاخصهای خطا به ترتیب به میزان 11، 9 و 11 درصد می­باشد.