مقايسه‌ي روش هاي هوش مصنوعي و ماسكينگام در تخمين رونديابي سيلاب

Comparison of the Artificial Intelligence Techniques and the Muskingum Methods in Flood Routing Estimation

رونديابي سيلاب به‌دليل فراهم نمودن امكان پيش‌بيني چگونگي طغيان و فروكش كردن آن در رودخانه، يكي از مهمترين مسايل در مهندسي رودخانه است. از آن جا‌ي كه سيلاب جرياني متغير غيردايمي است، لذا رونديابي آن نياز به داده‌هاي گسترده از رود‌ها و آمار دقيقي از ايستگاه هاي آبسنجي دارد. روش ماسكينگام، به دليل سادگي آن، داراي كاربرد بيش تري در ميان روش هاي رونديابي سيلاب مي‌باشد. از طرفي، استفاده از روش هاي هوش مصنوعي در زمينه‌هاي مختلف مهندسي آب و شبيه‌سازي در حوضه‌هاي آبخيز طي دهه اخير رشد چشمگيري داشته است. در اين پژوهش، براي رونديابي سيلاب با استفاده از روش هاي ماسكينگام، شبكه‌ي عصبي‌ مصنوعي، سامانه استنتاج تطبيقي عصبي- فازي، و برنامه‌ريزي ژنتيك از داده‌هاي ويلسون، ويو و همكاران، و ويس‌من و لويس در سه رود مختلف استفاده گرديد. نتايج شبيه‌سازي رونديابي سيلاب با كاربرد روش هاي ذكر شده با استفاده از شاخص هاي آماري R2، RMSE و MBE ارزيابي گرديدند. نتايج اين تحقيق نشان دادند كه روش هاي هوش مصنوعي‌، به‌دليل برخورداري از RMSE كمتر نسبت به روش ماسكينگام، برتري دارند، كه اين مقدار براي روش هاي هوش مصنوعي 00174/0، و براي روش ماسكينگام 727/28 به دست آمد، بنابراين، روش ماسكينگام در شبيه‌سازي آب نگار سيلاب با بده‌ي اوج پرشمار موفق نبوده است. با وجود اندك تفاوت در دقت تخمين و مقادير خطا در شبيه‌ها، شبكه‌هاي عصبي مصنوعي با مقادير R2، RMSE و MBE مناسبتر در رده‌ي اول، و سامانه‌ي استنتاج تطبيقي عصبي- فازي و برنامه‌ريزي ژنتيك به ترتيب در رده‌هاي دوم و سوم قرار مي‌گيرند. با توجه به سهولت كاربرد و نتايج خوب روش هاي هوش مصنوعي، پيشنهاد مي‌شود تحقيقات بيش تري در اين زمينه صورت پذيرد.

Flood routing is one of the most important issues in river engineering because of prediction of the ascent and descent of flood hydrograph. As flood is a variable and unsteady flow, its routing requires accurate and detailed data collection at hydrometry stations. The Muskingum models very offer a useful procedure among the flood routing methods. Moreover, application of the artificial intelligence methods have grown substantially in the different water engineering and watershed modeling endeavors in recent decades. In the present study, the data collected by Wilson, Wu et al., and veiss man Jr. and Lewis for three different rivers in the U.S.A were used for the flood routing processes using the Muskingum, artificial neural network, adaptive neuro-fuzzy inference system, and genetic programming. Simulation results of flood routing process using the mentioned methods were compared using the statistical indicators of R2, RMSE and MBE. The results indicated that the artificial intelligence methods were superior to the Muskingum method due to their lower RMSE. The RMSE value for the artificial intelligence techniques was 0.00174 and for the Muskingum method it was 28.727. The Muskingum method was not successful in flood hydrograph simulation with multi peaks. Despite the slight differences in accuracy estimation and error values in the models, the artificial neural networks proved their superiority with the highest R2, and lowest RMSE and MBE. The adaptive neuro-fuzzy inference system and genetics programming were placed in next levels. Based on the ease of use and more accurate results, the use of artificial intelligence methods is recommended for further studies in this region.