مقایسه روش‌های هوش مصنوعی در برآورد بار معلق رسوب (مطالعه موردی: رودخانه سیستان)

سابقه و هدف: برآورد صحیح حجم رسوبات معلق در رودخانه‌ها، یکی از مهم‌ترین مسایل در پروژه‌های مهندسی رودخانه، منابع آب و محیط ‌زیست می‌باشد. رودخانه سیستان شاخه اصلی منشعب از رودخانه هیرمند بوده که وظیفه آبیاری 70 درصد زمین‌های کشاورزی دشت سیستان و همچنین تامین بخشی از آب هامون هیرمند را به عهده دارد. با توجه به مشکلات زیاد ناشی از رسوبات در رودخانه‌ها، پژوهشگران علم رسوب تلاش‌های زیادی به‌منظور دستیابی به روابط انتقال رسوب بر اساس مطالعات آزمایشگاهی و میدانی انجام داده‌اند. به‌دلیل کثرت پارامترهای دخیل در انتقال رسوبات و همچنین پیچیدگی فرآیند فرسایش و انتقال ذرات، اکثر روابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی‌دهند، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی‌باشند. کوبانار و همکاران (2008) توانایی روش نروفازی در تخمین غلطت رسوب معلق را با سه روش مختلف شبکه عصبی مصنوعی مقایسه کردند. نتایج مقایسه نشان داد که مدل‌های نروفازی برای مجموعه داده‌های این پژوهش نتایج بهتری نسبت به سایر مدل‌ها دارند (8). آیتک و کیشی (2008) مدلی ضمنی بر پایه برنامه‌ریزی ژنتیک توسعه دادند. نتایج پژوهش آن‌ها نشان داد که فرمول پیشنهادی برنامه‌ریزی ژنتیک نسبت به منحنی سنجه رسوب و رگرسیون چندخطی کاملاً خوب بوده و کاربرد آن خیلی عملی است (3).مواد و روش‌ها: در سال‌های اخیر استفاده از سیستم‌های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رودخانه مرسوم گردیده است. در این پژوهش از سیستم‌های هوشمند شامل شبکه های عصبی مصنوعی، سیستم استنتاج تطبیقی عصبی- فازی و برنامه‌ریزی بیان ژن به‌منظور پیش بینی بار معلق رسوب رودخانه سیستان استفاده گردید. برای ارزیابی دقت مدل‌ها از شاخص های آماری میانگین مربعات خطا (rmse)، خطای سو گیری (mbe) و ضریب تعیین (r2) استفاده شد. یافته‌ها: در میان روش‌های هوش مصنوعی سناریوی سوم سیستم استنتاج تطبیقی عصبی- فازی با مقدار خطای جذر میانگین مربعات 43/20983 و ضریب همبستگی 97/0 بهترین نتیجه را در برآورد بار معلق رسوب دارد. همچنین بین نتایج روش‌های هوشمند اختلاف معنی‌داری در سطح 95% وجود نداشته و با توجه به مقادیر خطا هر سه روش از دقت بالایی برخوردارند. نتیجه‌گیری: با توجه به نتایج به‌دست ‌آمده در این پژوهش سه روش به‌کار رفته برای تخمین بار معلق رسوب مناسب می‌باشند اما روش برنامه‌ریزی بیان ژن به‌دلیل ارایه رابطه ریاضی برای مدل نسبت به دو مدل دیگر ارجح است. تاثیر چشمگیر استفاده از دبی کلاسه‌بندی شده در دقت تخمین بار معلق رسوب پرواضح است. با توجه به نتایج پژوهش پیشنهاد می‌گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش‌های هوش مصنوعی انجام شود.