Abstract:
روندیابی سیل یکی از روشهای پیشبینی سیل در رودخانهها بهمنظور مدیریت و مهار سیل است. روابط بارش - روناب و ایجاد سیل در یک منطقه، رابطه خطی ریاضیاتی نیست که با آن سیلابخیزی و وقوع سیلاب را در یک منطقه پیشبینی کرد و باید به این نوع پدیدهها بهصورت مدل نگریست. روشهای هوش مصنوعی و از جمله آنها روش شبکه عصبی مصنوعی و سیستم استنتاج فازی، روشهایی مطلوب در این زمینه هستند. در این پژوهش با استفاده از روشهای شبکه عصبی مصنوعی و سیستم استنتاج فازی اقدام به روندیابی سیلاب در زیرحوزه آبخیز رودخانه زرد شده است. برای اجرای هر دو روش، ابتدا دادههای لازم جمعآوری، سپس دادههای پرت از سری دادهها حذف و درنهایت نرمالسازی شدند. مدلسازی روندیابی سیل با استفاده از شبکههای عصبی مصنوعی با کمک کدنویسی در نرمافزار متلب روی دادهها اجرا شد. برای اجرای سیستم استنتاج فازی نیز از این دادههای آمادهشده استفاده شد. در این پژوهش انواع ساختارهای متفاوت شبکه عصبی مصنوعی با تعداد نرونها، لایههای مخفی، تعداد دورههای آموزش و توابع فعالیت متفاوت بر روی دادهها اجرا شدند تا درنهایت بهترین ساختار برای منطقه مورد مطالعه بهدست آید. برای مدل استنتاج فازی نیز انواع ساختارها اجرا شدند تا درنهایت بهترین مدل انتخاب شود. نتایج نشان داد در حالت کلی، سیستم استنتاج فازی دادههای منطقه مورد مطالعه را بهتر شبیهسازی میکند و نتایج بهتری نسبت به مدل شبکه عصبی مصنوعی نشان میدهد و مقادیر MSE و r در سیستم استنتاج فازی و مدل شبکه عصبی مصنوعی بهترتیب برابر با 2196/0 و 0297/0، 7667/0 و 96/0 است که نشاندهنده دقت بالاتر سیستم استنتاجفازی در پیشبینی سیلاب در حوزه آبخیز مورد مطالعه است.
Machine summary:
"همچنین در زیرحوزۀ آبخیز رودخانۀ زرد که هدف بررسی این پژوهش بوده است، در دیماه 1388 سد مخزنی جره به بهرهبرداری رسیده است، کما اینکه ایستگاه هیدرومتری ماشین در پاییندست این سد قرار دارد و از لحاظ هیدرولوژیکی استفاده از دادههای این ایستگاه برای کارهای پیشبینی سیلاب بعد از احداث این سد درست و منطقی نیست، زیرا وقوع سیلاب در پاییندست سدها بستگی به وقوع بارش و سایر پدیدههای هواشناسی و به وقوع بارش و سایر پدیدههای هواشناسی و هیدرولوژیکی ندارد و تنها به بازبودن دریچۀ سدها 1 Adeloye & Munari 2 Ghumman بستگی دارد.
برای ارزیابی نتایح عملکرد مدلهای طراحیشده در هر دو روش شبکه عصبی مصنوعی و سیستم استنتاج فازی، از مجذور میانگین مربعات خطا[27] (MSE) و ضریب تعیین[28] بین بردار مشاهدهشده و بردار پیشبینیشده بهرهگیری شده است (ولی و همکاران، 1390:27).
پس از انتخاب ساختار کلی شبکه عصبی و متغیرهای ورودی و خروجی آن، لازم است مقدار بایاس[29] و نوع تابع فعالیت مورد استفاده در هر سلول، بررسی شود و بهترین حالت برای مسئلۀ مورد مطالعه بهدست آید.
لازم به ذکر است اجرای سیستم استنتاج فازی در این پژوهش همانند مدل شبکه عصبی مصنوعی اجراشده، دارای 2 پارامتر ورودی (بارش و دبیپایه) و یک پارامتر خروجی (دبیسیلاب) است.
بزرگترین نتیجۀ اجرای شبکه عصبی مصنوعی این است که هیچ رابطۀ خطیای بین تعداد نرونها در لایه (های) مخفی، درصد مقادیر آزمایش و آزمون و اعتبارسنجی اختصاص داده شده و همچنین نوع تابع فعالیت استفادهشده با مقادیر خطا و رگرسیون بین مقادیر موردانتظار[39] و مقادیر خروجی مدل[40] وجود ندارد، ولی در حالت کلی مقایسۀ نتایج اجرای مدل بر روی دادهها نشان داد خروجی مدل زمانیکه از دو لایۀ مخفی استفاده شود، بهتر است و مقادیر خطای بهنسبت کمتری را نسبت به حالتی که تنها یک لایۀ مخفی وجود دارد، نشان میدهد."