پژوهش‌های حفاظت آب و خاک (Jul 2017)
ارزیابی قابلیت مدل های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ای سیلاب
Abstract
سابقه و هدف: توسعه روشهای برآورد فراوانی منطقه ای سیلاب در مناطق فاقد ایستگاه های اندازهگیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می باشد. ارزیابی فراوانی سیلاب در حوضه های فاقد ایستگاههای اندازه گیری، معمولاً توسط ایجاد روابط مناسب آماری (مدلها)بین سیلاب و ویژگیهای 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 مدلها در واقع از نوع مدلهای جعبه سیاه هستند که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودیها را به خروجی ها (یاخروجی) تبدیل می نماید. این وضعیت در واقع مشابهت این مدلها را با روابط رگرسیونی میرساند، با این تفاوت که قابلیت انعطاف آنها در تنظیم وزنها بیشتر بوده و لذا به عنوان جایگزین برای رگرسیونهای چند متغیره استفاده میشود.مواد و روشها: منطقه مورد پژوهش، در نواحی غرب ایران قرار دارد که شامل 33 ایستگاه هیدرومتری همگن می باشد. از ایستگاههای همگن موجود،27 ایستگاه برای واسنجی(ایجاد مدل) و 6 ایستگاه برای صحت سنجی مدلهای 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 دستیابی 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 مدلها از تحلیل حساسیت در محیط نرم افزار SPSS استفاده شد، و بدین ترتیب مهمترین متغییرهای مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول آبراهه اصلی وشیب، در مدل ANN ساختارهای مختلف این ورودیها با یکدیگر مقایسه شدند با این توضیح که برای بهینه سازی وزنهای اتصال در بین لایه های مختلفANN از الگوریتم ژنتیک استفاده شده است. بدین ترتیب بهترین شبکه، پیشخور با ساختار 1-10- 5 با ضریب تعیین 0.95 انتخاب شد. و همچنین در سیستم ANFIS، با افزایش تعداد ورودیها 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 میباشد. 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 آنها در دوره بازگشتهای مختلف حدوداً 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 پیشبینی های خود را در قالب فرمول ارایه کنند، نسبت به مدلهای ANN و ANFIS که اطلاعاتی در مورد روابط بین پارامترهای مسئله ارایه نمیدهند برای مهندسین راحتر میباشد ولی در مجموع از نظر دقت پیشبینی سیستم استنتاج فازی-عصبی تطبیقی(ANFIS) در تمام دوره بازگشتها، دبی سیلابشان از مطابقت بسیار بالایی با دبی سیلاب واقعی برخوردار بوده و میتوان به عنوان بهترین ابزار برای پیشبینی دبی سیلاب در دوره بازگشتهای مختلف در حوضه آبریز کرخه معرفی کرد.
Keywords
