خلاصة:
مدلسازی و پیش بینی دقیق رسوب معلق در رودخانه عنصر کلیدی مدیریت منابع آب و سیاستهای محیط زیستی میباشد. در این پژوهش کارایی مدلهای شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی در پیشبینی بار رسوب معلق روزانه ایستگاه گرو واقع در حوضه آبخیز گرو مورد ارزیابی قرار گرفت. بدین منظور از آمار 782 نمونه (1380-1393) رسوب معلق برحسب میلی گرم بر لیتر و دبی جریان اندازهگیری شده متناظر با رسوب بر حسب متر مکعب بر ثانیه در سه الگوی ورودی مختلف استفاده شد. برای اجرای مدلهای شبکه عصبی مصنوعی و شبکه عصبی-فازی تطبیقی دادهها به دو دسته آموزش و آزمون تقسیم به طوری که 80% دادهها برای آموزش و 20% برای آزمون در نظر گرفته شد. در شبکه عصبی مصنوعی از دو تابع سیگموئید و تابع تانژانت هیپربولیک در لایه میانی و از تابع خطی در لایه خروجی و برای انجام مدل شبکه عصبی فازی-تطبیقی از روش تفکیک شبکهای با سه تابع عضویت (مثلثی، گوسی و زنگولهای تعمیم یافته) با تعداد عضویت بهینه که با سعی و خطا تعیین شد استفاده گردید. نتایج حاصل از پیشبینی رسوب معلق نشان داد که بهترین پیشبینی با با ضریب همبستگی 96/0، ضریب کارایی 95/0 و میانگین مربعات خطای 12/4789 میلی گرم بر لیتر مربوط به الگوی ورودی 2 با متغیرهای ورودی دبی جریان روز جاری (Qt) و تاخیر دبی جریان روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (Qt-1) و تاخیر رسوب معلق روزانه تا 1 روز قبل از مبدا زمانی پیش بینی (St-1) میباشد. بررسی نتایج حاصل از مدلهای شبکه عصبی-فازی تطبیقی و شبکه عصبی مصنوعی نشان داد که مدل شبکه عصبی-فازی تطبیقی در هر سه الگو عملکرد بهتری نسبت به شبکه عصبی مصنوعی در پیشبینی رسوب معلق روزانه داشته است.
The precise modeling and prediction of suspended sediment in the river is a key element of water resources management and environmental policies. In this study, the efficiency of artificial neural network models and adaptive neuro-fuzzy network models were evaluated in prediction of daily suspended sediment load in Gero station located in Gero watershed. For this purpose, 782 samples (2001-2014) suspended sediment in milligrams per liter and flow rate measured corresponding to sediment in terms of cubic meters per second were used in three different input patterns. To implement artificial neural network and adaptive neuro-fuzzy network models, the data were divided into two groups of training and testing, in which 80% of the data were for training and 20% for the test. In the artificial neural network, there are two sigmoid functions and a hyperbolic tangent function in the middle layer and a linear function in the output layer, and to perform adaptive neuro-fuzzy network model, a network segmentation method with three membership functions (triangular, Gaussian, and generalized bells) was used with the optimal membership number, which was determined by trial and error. The results obtained from prediction of suspended sediment showed that the best prediction with correlation coefficient (0.96), coefficient of efficiency (0.95) and mean square error (4789.12 mg/l) related to the input pattern 2 with the input variables of current flow rate of current day (Qt), and the daily delayed daily flow rate to 1 day before the origin of prediction time (Q t-1) and the daily suspended sediment delays up to 1 day before the origin of the prediction time (St-1). The results of adaptive neuro-fuzzy network and artificial neural network models showed that the adaptive neuro-fuzzy network model had better performance than artificial neural network in predicting daily suspended sediment in all three patterns.
ملخص الجهاز:
در اين پژوهش کارايي مدل هاي شبکه عصبي مصنوعي و شبکه عصبي-فازي تطبيقي در پيش بيني بار رسوب معلق روزانه ايستگاه گرو واقع در حوضه آبخيز گرو مورد ارزيابي قرار گرفت .
کيشي و ذونعمت کرماني (٢٠١٦) غلضت بار معلق رسوبي را در دو ايستگاه مونتانا آمريکا با استفاده از مدل هاي شبکه عصبي مصنوعي ، شبکه عصبي فازي تطبيقي و شبکه عصبي فازي تطبيقي با الگوريتم خوشه اي مورد بررسي قرار دادند، نتايج آنان نشان داد که شبکه عصبي فازي تطبيقي عملکرد بهتري نسبت به شبکه عصبي مصنوعي در پيش بيني غلظت بار معلق رسوب دارد و شبکه عصبي فازي تطبيقي با الگوريتم ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ 1- Firat and Gungor 2- Nakato 3- McBean 4- Lopez 5- Asselman 6- Kisi خوشه اي باعث افزايش عملکرد بهتر و کاهش زمان کاليبراسيون مي گردد.
نتايج حاصل از پيش بيني رسوب معلق روزانه با استفاده از دو مدل شبکه عصبي مصنوعي و شبکه عصبي فازي تطبيقي بر اساس الگوي ورودي ٣ در شکل ٤ نشان داده شده است .
نتايج حاصل از پيش بيني رسوب معلق روزانه با استفاده از دو مدل شبکه عصبي مصنوعي و شبکه عصبي فازي تطبيقي بر اساس الگوي ورودي ٣ در شکل ٤ نشان داده شده است .
نتايج حاصل از پيش بيني رسوب معلق روزانه با استفاده از دو مدل شبکه عصبي مصنوعي و شبکه عصبي فازي تطبيقي بر اساس الگوي ورودي ٣ در شکل ٤ نشان داده شده است .