پيش بيني انتقال رسوب در كانالهاي فاضلاب رو با استفاده از روش تركيبي سيستمهاي فازي عصبي تطبيقي و الگوريتم ژنتيك

Prediction of Sediment Transport in Sewer Using a Combination of Adaptive-Neuro Fuzzy Inference Systems and Genetic Algorithm

در مطالعۀ حاضر به‌وسيله يك مدل تركيبي نحوۀ انتقال رسوبات درون مجاري فاضلاب‌رو مدل‌سازي مي‌شود. به‌بيان‌ديگر، توسّط سيستم استنباط فازي عصبي تطبيقي و الگوريتم ژنتيك يك الگوريتم تركيبي(ANFIS-GA) براي تخمين عدد فرود جريان سه­فازي (هوا، آب و رسوب) ارائه داده مي‌شود. در اين مطالعه، از الگوريتم ژنتيك براي افزايش كارايي سيستم استنباط فازي عصبي تطبيقي با تنظيم توابع عضويّت و سپس به حداقل رساندن مقادير خطا استفاده گرديده است. الگوريتم ژنتيك (GA) يك روش فرا ابتكاري با الهام از فرايند انتخاب طبيعي است كه متعلق به طبقه‌بندي گسترده‌تري از الگوريتم‌هاي تكاملي (EA) است. سپس با استفاده از مقادير ورودي، 127 مدل تركيبي ANFIS-GA معرفي گرديد. همچنين مقادير درصد ميانگين مطلق خطا و خطاي جذر ميانگين مربعات براي مدل برتر به ترتيب مساوي 529 /5 و 315 /0 به دست آمد.

In this study, the transportation of sediment in sewer flumes is predicted using a hybrid model. On the other hand, the hybrid model (ANFIS-GA) using Adaptive Neuro-Fuzzy Inference Systems (ANFIS) and Genetic Algorithm (GA) for prediction of the Froude number of three-phase (air, water and sediment) flow is developed. In this study, the genetic algorithm is used to increase the ability of ANFIS by tuning the membership functions and subsequently minimize the error. The genetic algorithm (GA) is a meta-heuristic inspired by the process of natural selection that belongs to the larger class of evolutionary algorithms (EA). Then, the 127 hybrid models were defined using input parameters. For the superior model, the Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) were computed equal to 5.529, 0.315, respectively.