مقايسة سه روش اصلي هوش مصنوعي در برآورد دبي سيلاب رودخانة يلفان

Comparing Three Main Methods of Artificial Intelligence in Flood Estimation in Yalphan Catchment

برآورد دبي اوج، يكي از موضوعات اساسي در مديريت منابع آب و كنترل سيلاب، جايگاه ويژه‌اي در موفقيت طراحي سازه‌هاي آبي و كارايي اقدامات بيومكانيكي در حوضه‌هاي آبخيز دارد. در اين پژوهش سعي شده است با مقايسة سه روش اصلي در هوش مصنوعي (مدل شبكة عصبي پرسپترون چند لايه، مدل الگوريتم تركيبي شبكة عصبي با ژنتيك و مدل تركيب خوشه‌بندي كاهشي و روش نورو فازي (ANFIS، بهترين روش پيش‌بيني دبي حداكثر رودخانة يلفان در محل ايستگاه هيدرومتري و رسوب‌سنجي يلفان (يكي از زيرحوضه‌هاي سد اكباتان همدان) انتخاب شود. به اين منظور در اين سه مدل،8 متغير بارندگي مربوط به‌ روز وقوع سيل، بارندگي‌هاي روزانه تا 5 روز پيش، دبي پايه در روز وقوع سيل و CN حوضه به‌منزلة پارامترهاي ورودي (1380 تا 1391) و دبي حداكثر به‌منزلة خروجي در نظر گرفته و وارد نرم‌افزار متلب شد؛ سپس با بهره‌گيري از روش‌هاي هوش مصنوعي و پيش‌پردازش داده‌ها، ساختار بهينة مدل با استفاده از داده‌هاي ورودي و خروجي و با ملاك قراردادن معيارهاي ارزيابي RSME، MAE و NSE به روش سعي و خطا تعيين شد. در مدل تلفيقي شبكة عصبي و الگوريتم ژنتيك، پس از تعيين مدل بهينة شبكة عصبي، نتيجة مدل به الگوريتم ژنتيك وارد شد. در مدل تلفيقي خوشه‌بندي با ANFIS، پس از تعيين مدل بهينة خوشه‌بندي، نتيجة مدل به ANFIS وارد و درنهايت با توجه به معيار ارزيابي، ساختار بهينة مدل تعيين شد. نتايج نشان داد مدل تلفيقي شبكة عصبي و الگوريتم ژنتيك نسبت به مدل شبكة عصبي و نيز مدل تركيب خوشه‌بندي كاهشي و مدل ANFIS عملكرد بهتري در برآورد دبي سيلاب در حوزة يلفان دارد.

Estimation of discharge as one of the major issues in water resource management and flood control has a key role in the success of water construction design and efficiency of Bio-Mechanical proceeding in catchments. In this research, discharge Peak of Yalphan River has been simulated using three main methods of artificial intelligence (MLP neural network model, subtractive clustering and ANFIS model, and the combination of neural network and genetic algorithm). For this purpose, 8 parameters have been prepared as input data (2001-2012) including precipitation in the event day, precipitations during 5 days before the event day, base flow in the event day and CN map. Peak of flow has been considered as output data of models. RSME, MAE and NSE indicators has been used to assess the artificial intelligence models. Output data of neural network model have been imported to the combined model of neural network and genetic algorithm. Also, output data of subtractive clustering model have been imported to ANFIS model. Finally three models have been assessed using the mentioned indicators. The results showed that the combined model of neural network and genetic algorithm is better than the other models in Yalphan Catchment.