بررسی کارایی روش های هوش مصنوعی (مدل تطبیقی عصبی _ فازی، شبکه عصبی و درخت تصمیم گیری) به منظور برآورد میزان رسوبات معلق (مطالعه موردی: ایستگاه سیرا سد کرج)

به منظور اجرای برنامههای حفاظت خاک و کاهش رسوب زایی، همچنین محاسبه و طراحی دقیق حجم سد در احداث سدهای مخزنی، ضرورت دارد که میزان تولید رسوب در یک حوزه آبخیز، ارزیابی و برآورد گردد. بطورکلی پدیده فرسایش و انتقال رسوب از پیچیدهترین مسایل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل تأثیرات پارامترهای مختلف، به آسانی میسر نیست. حتی اگر مدلی ریاضی نیز تبیین شود، دسترسی به دادههای لازم در اکثر موارد به آسانی امکانپذیر نخواهد بود. همچنین انتخاب ترکیب مناسب از پارامترهای ورودی یکی از مهمترین مراحل ساخت و طراحی هر گونه مدل ریاضی و هوشمند است و تعیین ترکیب ورودی بدون استفاده از روشهای تعیین ترکیب ورودی بسیار وقت گیر و خسته کننده است. هدف از این مطالعه تعیین ترکیب ورودی با استفاده از روشهای رگرسیون گام به گام، مدل الگوریتم ژنتیک و آزمون گاما است و در ادامه استفاده از مناسبترین ترکیب ورودی و شبیهسازی رسوبات بارمعلق با استفاده از مدلهای هوش مصنوعی شبکه عصبی مصنوعی، مدل عصبی-فازی و درخت تصمیمگیری رگرسیونی میباشد. دادههای ایستگاه سیرا رود کرج در بازه زمانی 1353-1390 (37 سال) و 15 ورودی و یک خروجی مورد استفاده قرار گرفت. همچنین تعداد 2052 داده به عنوان دادههای آموزش و مابقی به عنوان دادههای تست با استفاده از آزمون m-test تعیین شد اما در مدل عصبی-فازی تعیین دادههای آموزش با استفاده از روش آزمون و خطا از دقت بالاتری برخوردار شد. سپس بعد از تعیین ترکیب ورودی با استفاده از روشهای مذکور، ترکیب ورودی منتخب هر کدام از روشها به مدلهای هوش مصنوعی ارایه شد. مدل شبکه عصبی مصنوعی در حالت استفاده از ترکیب منتخب روش رگرسیون گام به گام به عنوان مناسبترین مدلسازی تعیین شد. همچنین مدل عصبی-فازی در حالت استفاده از تعداد دادههای آموزشی مناسب با ساختار مدل و ترکیب منتخب الگوریتم ژنتیک به مناسبترین مدلسازی دست یافت. نکته لازم به ذکر این است که مدل عصبی-فازی و شبکه عصبی مصنوعی در حالت استفاده از تمام پارامترهای ورودی، مدلسازی مناسبی انجام نشد لذا استفاده از روشهای تعیین ترکیب ورودی در این مدلها ضروری به نظر میرسد. همچنین مدل درخت تصمیمگیری در حالت استفاده از تمام پارامترهای ورودی، مناسبترین مدلسازی انجام شد و در حالت استفاده از ترکیب منتخب روشهای تعیین ترکیب ورودی مدلسازی مناسبی انجام نشد. در نهایت نتایج این مطالعه نشان داد مدل الگوریتم ژنتیک به عنوان مناسبترین روش و رگرسیون گام به گام در مرتبه دوم و آزمون گاما در مرتبه سوم به عنوان روشهای مناسب تعیین ترکیب ورودی تعیین شد. همچنین مدل عصبی-فازی در حالت استفاده از ترکیب منتخب الگوریتم ژنتیک در شبیهسازی رسوبات بارمعلق با ضریب همبستگی 99/0 و میانگین مربعات خطا 00000000000008/0 به عنوان مناسبترین مدل و شبکه عصبی مصنوعی در مرتبه دوم با ضریب همبستگی 99/0 و میانگین مربعات خطا 0000005/0و مدل درخت تصمیمگیری با ضریب همبستگی 68/0و میانگین مربعات خطا 0000002/0 در مرتبه سوم قرار گرفت.