پیش بینی انتقال رسوب در کانالهای فاضلاب رو با استفاده از روش ترکیبی سیستمهای فازی عصبی تطبیقی و الگوریتم ژنتیک

در مطالعۀ حاضر به‌وسیله یک مدل ترکیبی نحوۀ انتقال رسوبات درون مجاری فاضلاب‌رو مدل‌سازی می‌شود. به‌بیان‌دیگر، توسّط سیستم استنباط فازی عصبی تطبیقی و الگوریتم ژنتیک یک الگوریتم ترکیبی(anfis-ga) برای تخمین عدد فرود جریان سه فازی (هوا، آب و رسوب) ارائه داده می‌شود. در این مطالعه، از الگوریتم ژنتیک برای افزایش کارایی سیستم استنباط فازی عصبی تطبیقی با تنظیم توابع عضویّت و سپس به حداقل رساندن مقادیر خطا استفاده گردیده است. الگوریتم ژنتیک (ga) یک روش فرا ابتکاری با الهام از فرایند انتخاب طبیعی است که متعلق به طبقه‌بندی گسترده‌تری از الگوریتم‌های تکاملی (ea) است. سپس با استفاده از مقادیر ورودی، 127 مدل ترکیبی anfisga معرفی گردید. همچنین مقادیر درصد میانگین مطلق خطا و خطای جذر میانگین مربعات برای مدل برتر به ترتیب مساوی 5.529 و 0.315 به دست آمد.

Prediction of Sediment Transport in Sewer Using a Combination of Adaptive Neuro Fuzzy Inference Systems and Genetic Algorithm

In this study, the transportation of sediment in sewer flumes is predicted using a hybrid model. On the other hand, the hybrid model (ANFISGA) using Adaptive NeuroFuzzy Inference Systems (ANFIS) and Genetic Algorithm (GA) for prediction of the Froude number of threephase (air, water and sediment) flow is developed. In this study, the genetic algorithm is used to increase the ability of ANFIS by tuning the membership functions and subsequently minimize the error. The genetic algorithm (GA) is a metaheuristic inspired by the process of natural selection that belongs to the larger class of evolutionary algorithms (EA). Then, the 127 hybrid models were defined using input parameters. For the superior model, the Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE) were computed equal to 5.529, 0.315, respectively.