مدل سازي رواناب زيرحوضه درياچه مهارلو با استفاده از شبكه هاي عصبي مصنوعي آموزش يافته با الگوريتم PSO و مقايسه نتايج با الگوريتم هاي مشابه

Runoff modeling of maharloo lake watershed using artificial neural network trained by PSO algorithm and compared with other Algorithms

مطالعه فرآيند بارش – رواناب جزء موارد لاينفك در مطالعات منابع آب مي باشد. از آنجايي كه بين بارش و رواناب رابطه غيرخطي حاكم است و خصوصيات فيزيوگرافي و اقليمي نيز بر روي اين روابط بسيار تأثيرگذار مي باشد لذا عملاً پيش بيني رواناب مسأله پيچيده اي مي باشد. شبكه هاي عصبي يكي از روش‌هايي است كه مورد اقبال اكثر دانشمندان علوم مختلف از جمله مهندسي آب قرار گرفته و سال ها از ورود آن به عرصه علوم آب مي‌گذرد اما كماكان اين روش بدون تغيير در ساختار و نحوه آن مورد استفاده قرار مي‌گيرند. در اين بين با كشف الگوريتم‌هاي متعدد بهينه‌سازي مانند الگوريتم جامعه مورچگان، الگوريتم كلوني پرندگان و ... نياز به بهبود روش هاي قبلي به شدت مورد نياز مي باشد. در اين مطالعه با استفاده از روش‌‌هاي هيبريد شبكه هاي عصبي مصنوعي با دو الگوريتم كلوني پرندگان و كلوني مورچگان به محاسبه دبي رودخانه خشك شيراز پرداخته شد. سپس نتايج حاصل از آن با روش نروفازي و روش كلاسيك رگرسيون چند متغيره مورد مقايسه قرار گرفت. نتايج اين تحقيق نشان داد كه افزايش تعداد متغيرهاي ورودي باعث بهبود نتايج مي‌شود و متغير بارش نقش اساسي در تخمين رواناب ايفا مي‌كند. همچنين نتايج نشان داد كه در ساختارهاي دو متغيره، بارش و تبخير بهترين متغيرهاي هيدرولوژيكي به منظور مدلسازي براي پيش بيني رواناب مي باشند. بر طبق شبيه سازي به روش‌هاي مختلف، مشاهده شد كه روش بهينه سازي با PSO، ANFIS، رگرسيون و بهينه سازي با ACO به ترتيب بهترين نتايج را در مقايسه با داده هاي مشاهداتي توليد كردند.