مقایسه الگوریتم های هوش مصنوعی مبتنی بر محاسبات نرم با مدل مبتنی بر ترنسفورمر TFT به منظور مدلسازی سیلاب

مدل سازی دقیق فرآیند رواناب و پیش بینی دبی بیشینه روزانه به دلیل رفتار غیرخطی و پیچیده سامانه های هیدرولوژیکی از چالش های اساسی در مدیریت سیلاب، تخصیص منابع آب و طراحی سازه های حفاظتی است. در پژوهش حاضر به منظور ارزیابی کارایی مدل های نوین داده محور، عملکرد سه الگوریتمTFT، GEP و ANFISدر پیش بینی دبی بیشینه روزانه حوزه آبخیز طالقان بررسی شد. داده های دبی مربوط به پنج ایستگاه هیدرومتری طی دوره ۳۰ ساله (۱۴۰۰–۱۳۷۱) جمع آوری و پس از پیش پردازش، در قالب چهار سناریوی زمانی ورودی شامل ۳، ۶، ۹ و ۱۲ ماه پیشین به مدل ها ارائه شد. برای ارزیابی عملکرد مدل ها از شاخص های RMSE، MAE، NSE و R استفاده شد. نتایج نشان داد که مدل TFT با اختلاف چشمگیر دقیق ترین عملکرد را در میان مدل های مورد بررسی به ثبت رسانده است. مقدار NSE در اغلب ایستگاه ها بیش از ۹۷/۰ و RMSE کمتر از ۱۰/۰ بوده است. این مدل قادر بود وابستگی های بلندمدت، نوسانات فصلی و الگوهای پیچیده جریان را با دقت بالا بازسازی کند. مدل GEP با عملکرد متوسط و مقدار NSE در محدوده ۶۶/۰ تا ۶۸/۰ در رتبه دوم قرار گرفت در حالی که ANFIS ضعیف ترین نتایج را با NSE حدود ۶۰/۰ تا ۶۳/۰ ثبت کرد. همچنین بررسی نمودارهای همبستگی نشان داد که خروجی های TFT به صورت منظم روی خط همبستگی قرار گرفته و همبستگی بالای خروجی ها را نشان می دهد در حالی که دو مدل دیگر انحراف قابل توجهی از خط همبستگی داشته و خطای بالای دو مدل دیگر را ثابت می کند.

کلیدواژه ها:

برنامه ریزی بیان ژن ، سیستم استنتاج عصبی فازی سازگار ، مدل های داده محور ، مدیریت سیلاب