پیش بینی دبی رودخانه کارون بزرگ با استفاده از شبکه های عصبی مصنویی و سیستم های فازی_عصبی استنتاحی تطبیقی

آب ضروری ترین و مهمترین جزء از عناصر طبیعی به شمار می آید که برای بقاء زندگی، توسعه و مدیریت منابع آب از اهمیت بالایی برخوردار می باشد تا جایی که امروزه یکی از مهمترین مسائل در مهندسی رودخانه، پیش بینی شدت جریان در رودخانه می باشد که نقش مهمی در مدیریت منابع آب ایفا می کند. تعیین شدت جریان در رودخانه کارون بزرگ که از اتصال دو رودخانه شطیط و دز و کانال گرگر تشکیل می شود، در محل اتصال به عوامل و فاکتورهای مختلفی وابسته می باشد و به دلیل عوامل مختلفی همچون تغییر خصوصیات در طول رودخانه ها، پدیده برگشت آب در زمان سیلابی و یا اثرات برداشت از آب های سطحی و سفره های آب زیرزمینی و همچنین ایجاد زهکش های سطحی در مسیر رودخانه و یا به دلیل وجود گسل در امتداد رودخانه، ارتباط غیرخطی می باشد و برای ایجاد شبیه سازی آن باید عوامل و شرایط مختلفی را مدنظر قرار داد.هدف در این تحقیق بررسی الگوهای مختلفی از دو نوع سیستم هوش مصنوعی با استفاده از مدل های شبکه های عصبی مصنوعی (چند لایه پرسپترون و شعاع مدار رادیال بایسیس) و همچنین مدل سیستم فازی- عصبی استنتاجی تطبیقی برای پیش بینی دبی رودخانه کارون بزرگ در سه حالت بیشترین و متوسط دبی ماهیانه و دبی روزانه در رودخانه کارون بزرگ و مقایسه با مقادیر واقعی و نتایج بدست آمده از رگرسیون خطی و غیرخطی می باشد.این تحقیق بر اساس هوش مصنوعی و یادگیری تدریجی رایانه انجام پذیرفته و آموزش مدل بر اساس داده های آماری ثبت شده انجام پذیرفته است. برای این نوع مدل سازی در مرحله آموزش مدل کالیبره شده و در مرحله صحت سنجی مقایسه و کارایی الگوها و مدل های مورد بررسی از لحاظ شاخص های آماری (R2، RMSE، MSE) و همچنین از لحاظ گرافیکی مورد ارزیابی قرار می گیرد. تمام مراحل در ایجاد شبکه های عصبی و سیستم فازی – عصبی، آموزش و تست آنها با استفاده از جعبه ابزارهای موجود در نرم افزار Matlab انجام شده است. جهت مقایسه نتایج به دست آمده با روش رگرسیون، نتایج حاصل از دو نوع رگرسیون خطی و غیرخطی بررسی و مقایسه شده است. با مقایسه نتایج حاصل از سه مدل با استفاده از الگوهای مختلف از لحاظ گرافیکی و شاخص های آماری، نتایج نشان دهنده دقت بیشتر در مدل سیستم فازی – عصبی استنتاجی تطبیقی در سه حالت پیش بینی دبی رودخانه کارون و دقت پایین روش رگرسیون نسبت به دیگر روش ها می باشد.

کلیدواژه ها:

پیش بینی جریان ، شبکه های عصبی ، سیستم های فازی_عصبی ، شبیه سازی ، رگرسیون