مقایسه سه روش اصلی هوش مصنوعی در برآورد دبی سیلاب رودخانه یلفان

برآورد دبی اوج، یکی از موضوعات اساسی در مدیریت منابع آب و کنترل سیلاب، جایگاه ویژه‌ای در موفقیت طراحی سازه‌های آبی و کارایی اقدامات بیومکانیکی در حوضه‌های آبخیز دارد. در این پژوهش سعی شده است با مقایسه سه روش اصلی در هوش مصنوعی (مدل شبکه عصبی پرسپترون چند لایه، مدل الگوریتم ترکیبی شبکه عصبی با ژنتیک و مدل ترکیب خوشه‌بندی کاهشی و روش نورو فازی (anfis، بهترین روش پیش‌بینی دبی حداکثر رودخانه یلفان در محل ایستگاه هیدرومتری و رسوب‌سنجی یلفان (یکی از زیرحوضه‌های سد اکباتان همدان) انتخاب شود. به این منظور در این سه مدل،8 متغیر بارندگی مربوط به‌ روز وقوع سیل، بارندگی‌های روزانه تا 5 روز پیش، دبی پایه در روز وقوع سیل و cn حوضه به‌منزله پارامترهای ورودی (1380 تا 1391) و دبی حداکثر به‌منزله خروجی در نظر گرفته و وارد نرم‌افزار متلب شد؛ سپس با بهره‌گیری از روش‌های هوش مصنوعی و پیش‌پردازش داده‌ها، ساختار بهینه مدل با استفاده از داده‌های ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی rsme، mae و nse به روش سعی و خطا تعیین شد. در مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک، پس از تعیین مدل بهینه شبکه عصبی، نتیجه مدل به الگوریتم ژنتیک وارد شد. در مدل تلفیقی خوشه‌بندی با anfis، پس از تعیین مدل بهینه خوشه‌بندی، نتیجه مدل به anfis وارد و درنهایت با توجه به معیار ارزیابی، ساختار بهینه مدل تعیین شد. نتایج نشان داد مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک نسبت به مدل شبکه عصبی و نیز مدل ترکیب خوشه‌بندی کاهشی و مدل anfis عملکرد بهتری در برآورد دبی سیلاب در حوزه یلفان دارد.

Comparing Three Main Methods of Artificial Intelligence in Flood Estimation in Yalphan Catchment

Estimation of discharge as one of the major issues in water resource management and flood control has a key role in the success of water construction design and efficiency of BioMechanical proceeding in catchments. In this research, discharge Peak of Yalphan River has been simulated using three main methods of artificial intelligence (MLP neural network model, subtractive clustering and ANFIS model, and the combination of neural network and genetic algorithm). For this purpose, 8 parameters have been prepared as input data (20012012) including precipitation in the event day, precipitations during 5 days before the event day, base flow in the event day and CN map. Peak of flow has been considered as output data of models. RSME, MAE and NSE indicators has been used to assess the artificial intelligence models. Output data of neural network model have been imported to the combined model of neural network and genetic algorithm. Also, output data of subtractive clustering model have been imported to ANFIS model. Finally three models have been assessed using the mentioned indicators. The results showed that the combined model of neural network and genetic algorithm is better than the other models in Yalphan Catchment.