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

سابقه و هدف: توسعه روش های برآورد فراوانی منطقه ای سیلاب در مناطق فاقد ایستگاه های اندازه گیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می باشد. ارزیابی فراوانی سیلاب در حوضه های فاقد ایستگاه های اندازه گیری، معمولا توسط ایجاد روابط مناسب آماری (مدل ها)بین سیلاب و ویژگی های 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 مدل ها در واقع از نوع مدل های جعبه سیاه هستند که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودی ها را به خروجی ها (یاخروجی) تبدیل می نماید. این وضعیت در واقع مشابهت این مدل ها را با روابط رگرسیونی می رساند، با این تفاوت که قابلیت انعطاف آنها در تنظیم وزن ها بیشتر بوده و لذا به عنوان جایگزین برای رگرسیون های چند متغیره استفاده می شود. مواد و روش ها: منطقه مورد پژوهش، در نواحی غرب ایران قرار دارد که شامل 33 ایستگاه هیدرومتری همگن می باشد. از ایستگاه های همگن موجود،27 ایستگاه برای واسنجی(ایجاد مدل) و 6 ایستگاه برای صحت سنجی مدل های 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 دست یابی 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 مدل ها از تحلیل حساسیت در محیط نرم افزار SPSS استفاده شد، و بدین ترتیب مهمترین متغییر های مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول آبراهه اصلی وشیب، در مدل ANN ساختارهای مختلف این ورودی ها با یکدیگر مقایسه شدند با این توضیح که برای بهینه سازی وزن های اتصال در بین لایه های مختلفANN از الگوریتم ژنتیک استفاده شده است. بدین ترتیب بهترین شبکه، پیش خور با ساختار 1-10- 5 با ضریب تعیین 0.95 انتخاب شد. و همچنین در سیستم ANFIS، با افزایش تعداد ورودی ها 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 می باشد. 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 آن ها در دوره بازگشت های مختلف حدودا 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 پیش بینی های خود را در قالب فرمول ارایه کنند، نسبت به مدلهای ANN و ANFIS که اطلاعاتی در مورد روابط بین پارامترهای مسئله ارایه نمی دهند برای مهندسین راحتر می باشد ولی در مجموع از نظر دقت پیش بینی سیستم استنتاج فازی-عصبی تطبیقی(ANFIS) در تمام دوره بازگشت ها، دبی سیلابشان از مطابقت بسیار بالایی با دبی سیلاب واقعی برخوردار بوده و می توان به عنوان بهترین ابزار برای پیش بینی دبی سیلاب در دوره بازگشت های مختلف در حوضه آبریز کرخه معرفی کرد.

Keywords:

تحلیل منطقه ای سیلاب , دبی سیلاب , ANFIS , ANN , مدل رگرسیون