پيش‌بيني تراز سطح آب مخزن سد با استفاده از روش ماشين هوشمند نظارت شده، مطالعه موردي: سد اميركبير كرج

Reservoir Water Level Prediction Using Supervised Intelligent Committee Machine Method, Case Study: Karaj Amirkabir Dam

پيش‌بيني صحيح تغييرات تراز سطح آب مخازن به عنوان يكي از مسائل مهم جهت مديريت، طراحي، بهره‌برداري از سدها و تأمين نيازهاي آبي مطرح مي‌باشد. در اين مطالعه بر پايه پنج مدل نرم رگرسيون بردار پشتيبان (SVR)، سيستم استنتاج عصبي-فازي تطبيقي (ANFIS)، شبكه عصبي (ANN)، شبكه عصبي شعاعي (RBFNN) و شبكه عصبي مبتني بر رگرسيون عمومي (GRNN) و استفاده تلفيقي از نتايج آن‌ها به عنوان ورودي به يكي از اين پنج مدل، ساختاري تحت عنوان ماشين هوشمند نظارت شده (SICM) جهت برآورد تراز سطح آب ماهانه مخزن سد اميركبير كرج پيشنهاد گرديد. داده‌هاي مورد استفاده شامل تراز سطح آب، بارندگي، تبخير، حجم ورودي و خروجي از مخزن سد بوده و ارزيابي مدل‌هاي مذكور توسط نه شاخص خطا صورت گرفت و با استفاده از روش تصميم‌گيرنده ويكور، بهترين مدل از ميان مدل‌هاي مذكور انتخاب گرديد. پس از انجام بررسي‌هاي لازم در ميان مدل‌هاي نرم مورد استفاده، مدل ANN با ضريب راندمان نش و ميانگين مجذور خطاي به ترتيب 0/89 و 23/37 متر مربع به عنوان بهترين مدل شناخته شد. نتايج بدست آمده از رويكرد پيشنهادي نشان مي‌دهد كه مدل نظارت شده (هيبريدي) شبكه عصبي (SICM-ANN) با افزايش ضريب راندمان نش به 0/94 و كاهش ميانگين مجذور خطا به 12/85 متر مربع (بيش از 45 درصد كاهش) توانسته عملكرد بالايي را در پيش‌بيني صحيح ميزان تراز سطح آب ماهانه مخزن سد كرج ارائه نمايد. بر اين اساس استفاده هيبريدي از مدل‌هاي نرم مي‌تواند در كاهش چشمگير خطاي پيش‌بيني تراز سطح آب نسبت به مدل‌هاي منفرد به طور مؤثري بكار گرفته شود.

The proper prediction of reservoirs water level variation is considered as one of the important issues for management, designing, operation of dams and water supply. In this study, based on five soft models such as support vector regression (SVR), adaptive neuro-fuzzy inference system (ANFIS), artificial neural network (ANN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and the combined use of their results as input to one of these five models, a new structure called supervised intelligent committee machine (SICM) was proposed to predict the monthly reservoir water level of Karaj Amirkabir dam. The data used in this paper are water level, precipitation, evaporation, inflow and outflow of the dam. The evaluation of these models was done by nine error indexes and also the best model between them was selected using vikor decision maker method. After performing the necessary evaluations among the used soft models, the ANN known as the best model with nash–sutcliffe efficiency (NS) and mean square error (MSE) equal to 0.89 and 23.37 square meters, respectively. The results of the proposed approach are shown that the supervised (hybrid) neural network (SICM-ANN) has been able to provide high performance in predicting the monthly reservoir water level in Karaj dam with increasing the NS coefficient to 0.94 and decreasing the MSE index to 12.85 square meters (more than 45 percent decrease). Accordingly, hybrid use of soft models can be effectively applied to significantly reduce the predicted error of water level rather than single models.