ارزیابی روش های محاسبات نرم در برآورد رسوب معلق رودخانه (ایستگاه حسن آباد رودخانه تیره)

برآورد بار رسوب رودخانه ها از مسائل مهم و کاربردی در مطالعات و طراحی پروژه های مهندسی آب، مانند طراحی و توسعه شبکه های آبیاری و زهکشی، آبگیری از رودخانه و غیره است. مدل های آماری و رگرسیونی از معمول ترین روش های تحلیل هستند که اغلب با توجه به حل خطی این پدیده ها، نتایجی همراه با خطا ارائه داده اند. مدل های هیدرولیکی به دلیل نیاز به داده های زیاد و گاهی در دسترس نبودن داده های مورد نیاز و دقیق نبودن داده ها به علت خطای انسانی برای شبیه سازی رسوبات، همیشه نمی توان به آن ها اعتماد کرد. امروزه سیستم هادی هوشمند فازی و عصبی با توجه به توانایی در حل پدیده های غیرخطی و پیچیده، کاربردهای فراوانی در مسائل مختلف مهندسی آب از جمله رسوب پیدا کرده اند. هدف از پژوهش حاضر نیز ارزیابی و مقایسه چهار روش مدل های فازی-عصبی تطبیقی (ANFIS)، ماشین بردار پشتیبان (SVM)، برنامه ریزی بیان ژن (GEP) و روش گروهی کنترل داده ها GMDH در برآورد بار رسوب ایستگاه حسن آباد رودخانه تیره استان مرکزی است. بدین منظور به عملکرد چهار نوع مدل در شبیه سازی بار رسوبی رودخانه ها پرداخته، سپس نتایج چهار روش با یک دیگر و با نتایج منحنی سنجه مورد مقایسه قرار گرفت. نتایج بیان گر عملکرد قابل قبول مدل ها نسبت به منحنی سنجه است. هم چنین، نتایج برتری مدل (GMDH) با بیش ترین ضریب تبیین (R۲) با مقدار ۹۹/۰ و کم ترین ریشه میانگین مربعات خطا (RMSE) بر حسب تن در روز با مقدار ۰۰۳۸/۰ نشان داد. در این خصوص کارآیی مدل (GEP) تا حدی بهتر از مدل های SVM و ANFIS بود. در مرحله بعد، از بهترین الگوی انتخابی مدل های ANFIS، SVM و GEP به عنوان ورودی مدل GMDH استفاده شد. نتایج بیان گر عملکرد قابل قبول مدل GMDH با بیش ترین ضریب تبیین (R۲) برابر ۹۹/۰ و ۹۸/۰ و کم ترین ریشه میانگین مربعات خطا به ترتیب برابر ۰۰۳۸/۰ و ۰۰۴۵/۰ تن در روز شد. نتایج به دست آمده نشان داد هر چهار روش داده کاوی بررسی شده به مراتب نتایج بهتری نسبت به منحنی سنجه رسوب ارائه می کنند.

کلیدواژه ها:

بار معلق ، برنامه ریزی بیان ژن ، رسوب ، شبکه فازی-عصبی ، ماشین بردار پشتیبان