ارزيابي قابليت مدل‏ هاي سيستم استنتاج فازيعصبي تطبيقي، شبكه عصبي مصنوعي و رگرسيوني در تحليل منطقه ‏اي سيلاب

سابقه و هدف: توسعه روش‏هاي برآورد فراواني منطقه‏‏‏ اي سيلاب در مناطق فاقد ايستگاه‏‏ هاي اندازه‏گيري يكي از اولين اهداف اصلي در مسايل روز هيدرولوژي مي‏ باشد. ارزيابي فراواني سيلاب در حوضه‏ هاي فاقد ايستگاه‏هاي اندازه‏ گيري، معمولاً توسط ايجاد روابط مناسب آماري (مدل‏ها)بين سيلاب و ويژگي‏هاي فيزيكي حوضه انجام مي‏ گيرد. تاكنون معادلات متعددي در زمينه برآورد دبي سيلاب در مناطق مختلف از جمله حوضه كرخه ارايه شده ولي با توجه به پيچيدگي اين پديده، روابط موجود نتوانسته‏ اند دبي سيلاب طراحي را با دقت مناسب شبيه‏ سازي كنند. بر همين اساس در اين پژوهش علاوه بر روش رگرسيوني كه در گذشته استفاده مي‏ شد از مدل شبكه‏ هاي عصبي مصنوعي (ANN) و همچنين سيستم استنتاج فازيعصبي تطبيقي (ANFIS) استفاده شده‏ است اين مدل‏ها در واقع از نوع مدل‏هاي جعبه‏ سياه هستند كه بدون آگاهي يا با آگاهي كم از فرآيند دروني سيستم، ورودي‏ها را به خروجي‏ ها (ياخروجي) تبديل مي‏ نمايد. اين وضعيت در واقع مشابهت اين مدل‏ها را با روابط رگرسيوني مي‏رساند، با اين تفاوت كه قابليت انعطاف آنها در تنظيم وزن‏ها بيشتر بوده و لذا به عنوان جايگزين براي رگرسيون‏هاي چند متغيره استفاده مي‏شود. مواد و روش‏ها: منطقه مورد پژوهش، در نواحي غرب ايران قرار دارد كه شامل 33 ايستگاه هيدرومتري همگن مي‏ باشد. از ايستگاه‏هاي همگن موجود،27 ايستگاه براي واسنجي(ايجاد مدل) و 6 ايستگاه براي صحت سنجي مدل‏هاي ايجاد شده، مورد استفاده قرار گرفتند، براي حصول به مدل واحد، دوره بازگشت به عنوان عامل مستقل در مدل در نظر گرفته شد. يافته‏ ها: براي دست‏يابي به بهترين ساختار شبكه‏ عصبي‏ مصنوعي و همچنين شبيه‏ سازي در سيستم ANFIS از تركيبات مختلف فيزيوگرافي به همراه دوره‏ بازگشت به‏ عنوان ورودي استفاده شد. براي بدست آوردن مهمترين عوامل ورودي در مدل‏ها از تحليل ‏حساسيت در محيط نرم‏ افزار SPSS استفاده شد، و بدين ترتيب مهمترين متغيير‏هاي مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول‏ آبراهه اصلي وشيب، در مدل ANN ساختارهاي مختلف اين ورودي‏ها با يكديگر مقايسه شدند با اين توضيح كه براي بهينه ‏سازي وزن‏هاي اتصال در بين لايه هاي مختلفANN از الگوريتم ژنتيك استفاده شده ‏است. بدين ترتيب بهترين شبكه، پيش‏خور با ساختار 110 5 با ضريب تعيين 0.95 انتخاب شد. و همچنين در سيستم ANFIS، با افزايش تعداد ورودي‏ها در هر چهار تابع عضويت مثلثي، گوسي نوع 1، گوسي نوع 2 و ذوزنقه‏ اي دقت شببيه‏ سازي افزايش يافته به طوري كه بهترين شبيه‏ سازي در تابع مثلثي با RMSE=0.1514 و R^2=0.97كه در آن تعداد قوانين 243 مي‏باشد. در پايان با مقايسه مدلANFIS ، ANN و مدل رگرسيوني مشخص شد كه مدل ANFIS در مقايسه با شبكه عصبي منتخب و مدل رگرسيوني به خصوص در دوره بازگشتهاي زياد از دقت بالاتري برخوردار است. نتيجه‏ گيري:مدل رگرسيوني در زير حوضه‏ هايي كه دبي‏ سيلاب آن‏ها در دوره بازگشت‏هاي مختلف حدوداً كمتر از m3/s1000 باشد، ازمطابقت خوبي با دبي سيلاب واقعي برخوردار است همچنين مدل شبكه عصبي نيز در دبي‏ هاي كم دقت خوبي دارند ولي از آنجا كه مدل رگرسيوني قادرند پيش‏بيني‏ هاي خود را در قالب فرمول ارايه كنند، نسبت به مدلهاي ANN و ANFIS كه اطلاعاتي در مورد روابط بين پارامترهاي مسئله ارايه نمي‏دهند براي مهندسين راحتر مي‏باشد ولي در مجموع از نظر دقت پيش‏بيني سيستم استنتاج فازيعصبي تطبيقي(ANFIS) در تمام دوره بازگشت‏ها، دبي سيلابشان از مطابقت بسيار بالايي با دبي سيلاب واقعي برخوردار بوده و مي‏توان به عنوان بهترين ابزار براي پيش‏بيني دبي سيلاب در دوره ‏بازگشت‏هاي مختلف در حوضه آبريز كرخه معرفي كرد.