مقایسه کارآیی شبکه های عصبی CANFIS، MLP و MLP بهینه شده به روش ژنتیک در شبیه سازی رسوب معلق رودخانه (مطالعه موردی: حوزه آبخیز زشک- ابرده، شاندیز)

در این پژوهش شبکه عصبی مصنوعی CANFIS و پرسپترون چندلایه (MLP) در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه سازی شد. به منظور شبیه سازی سناریوی S۱ از ورودی دبی آب، سناریوی  S۲از دبی آب و باران روزانه و سناریوی  S۳از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S۳_CANFIS با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت باNSE  (ضریب نش) برابر با ۷۴۳/۰ و AM (سنجه جمعی) برابر با ۸۰۶/۰ نسبت به S۲_CANFIS و S۱_CANFIS کارایی بهتری در پیش بینی بار رسوبی دارد. نتایج شبکه  MLPحاکی از این است که سناریوی S۲_MLP با معماری ۵ نورون مخفی در ۲ لایه پنهان، تابع انتقال سیگموئید و قانون یادگیری مومنتم با NSE برابر با ۶۰۴/۰ و AM برابر با ۶۲۶/۰ در مقایسه با سایر سناریوهای MLP بهتر عمل کرده است. ازآنجایی که شبکه MLP در مقایسه با شبکه CANFIS عملکرد ضعیف تری را در برآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه S۲_MLP کمک گرفته شد. نتایج نشان داد که الگوریتم ژنتیک با ضریب نش-ساتلکیف برابر با ۶۵۸/۰ و  AM برابر با ۶۵۵/۰ نسبت به مدل MLP عملکرد بهتری داشته است. با مقایسه شبکه عصبی  CANFISبا MLP-GA مشخص می شود که CANFIS عملکرد بهتری را در پیش بینی رسوب حوزه نسبت به سایر شبکه ها داشته است. اما بااین وجود درمجموع شبکه عصبی در این حوزه کارایی کاملا رضایت بخشی را در پیش بینی دقیق بار رسوبی نشان نداد که این می تواند ناشی از کمبود داده های آموزشی (به ویژه مقادیر حدی) و غیردقیق بودن و وجود خطا در آمار حوزه باشد.    

Keywords:

Neural network , CANFIS , Multi-Layer Perceptron , Genetic Algorithm , Sensitivity analysis , Water discharge , Sediment load , ژنتیک , پرسپترون چندلایه , تحلیل حساسیت , دبی آب , دبی رسوب , شبکه عصبی , شبکه عصبی فازی