بهینه سازی سیستمهای استنتاج فازی برای مدلسازی بارش-رواناب

مدل سازی فرآیند بارش- رواناب و پیش بینی دبی رودخانه یک اقدام مهم در مدیریت و مهار سیلاب ها، طراحی سازه های آبی در حوضه های آبخیز و مدیریت خشکسالی است. به علت تغییرهای زیاد مکانی، ویژگی های هیدرولوژیکی حوضه های آبخیز و الگوهای بارش، وهمچنین تعداد زیاد متغیرهای فیزیکی دخیل در فرآیند بارش- رواناب، این پدیده یکی از پیچیده ترین فرآیندهای هیدرولوژیکی به شمار می آید. به طوری که از دیرباز پژوهشگران به منظور مدل سازی این فرآیند از مدل های مختلفی استفاده کرده اند. در دو دهه اخیر پژوهشگران برای شبیه سازی فرآیند بارش رواناب به روش های شبیه سازی هوش مصنوعی از جمله منطق فازی و شبکه عصبی، روی آورده اند. مدل منطق فازی در مورد فرآیند بارش- رواناب که تعریف دقیق و درک خاصی از آن وجود ندارد، بسیار موثر عمل می کند. خصوصیت ویژه این مدل که آن را نسبت به سایر روش ها متمایز می کند، توانمندی و انعطاف پذیر بودن آن برای مدل سازی عدم قطعیت های موجود در فرآیندهای هیدرولوژیکی و از جمله فرآیند بارش- رواناب و بیان عبارت های زبانی برگرفته از تجربه و دانش بشر در قالب روابط ریاضی به شمار می آید. جهت ساخت مدل های فازی باید پارامترهای توابع عضویت و قانون های فازی که متغیرهای ورودی و خروجی را به هم نسبت می دهند، تعیین شوند. تعیین این پارامترها یا به وسیله دانش متخصص و یا به وسیله تلفیق روش فازی با روش های دیگر مانند شبکه عصبی مصنوعی، خوشه بندی و الگوریتم های بهینه سازی صورت می گیرد. در این تحقیق مدل بارش- رواناب حوضه سد زاینده رود واقع در استان اصفهان ساخته شده است. جهت مدل سازی از داده های آماری روزانه ایستگاه هیدرومتری اسکندری و ایستگاه کلیماتولوژی قلعه شاهرخ به مدت 30 سال استفاده شده و برای تعیین بهترین حالت ورودی، با توجه به داده های موجود، 12 حالت ورودی مختلف در نظر گرفته شده است. جهت ساخت مدل ها 75 درصد داده ها به مرحله آموزش مدل و مابقی آنها به مرحله آزمایش مدل اختصاص داده شده است. همچنین جهت ساخت مدل های بارش- رواناب ازچهار روش مختلف شامل روش فازی عصبی (با دو حالت جداسازی خوشه ای و جداسازی شبکه ای)، خوشه بندی فازی (برای مدل های نوع سوگنو و ممدانی)، سیستم استنتاج فازی نوع ممدانی و تلفیق سیستم فازی نوع ممدانی و الگوریتم ژنتیک، استفاده شده است. در تمامی این روش ها پارامترهای مدل بهینه به گونه ای انتخاب شده اند که خطای مدل به حداقل برسد. در پایان نتایج به دست آمده از روش های مختلف با استفاده از معیارهای آماری با یکدیگر مقایسه شده اند. نتایج نشان می دهند که تا زمانی که دبی روزهای قبل در ساختار ورودی مدل وارد نشود، مدل نتایج خوبی را ارئه نمی دهد. همچنین از بین روش های استفاده شده جهت ساخت مدل ها، مدل فازی بهینه شده با الگوریتم ژنتیک بهترین نتایج و مدل فازی نوع ممدانی که برای تعیین پارامترهای آن از هیچ روش بهینه سازی استفاده نشده است، بدترین نتایج را به همراه داشتند.