نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته دانشکده فنی و مهندسی،دانشگاه ازاد اسلامی،واحد اسلامشهر،اسلامشهر-ایران

2 گروه مهندسی عمران، واحد اسلامشهر، دانشگاه آزاد اسلامی، اسلامشهر، ایران

10.30467/nivar.2022.290750.1196

چکیده

بعلت بروز خشکسالی های متمادی و کاهش شدید بارندگی در چند دهه اخیر، پیش بینی وضعیت اندازه جریان منابع آب های سطحی در رودخانه ها جهت مدیریت منابع آب اهمیت ویژه ای یافته است. ازاین نظر، اندازه ی بده ی عبوری از رودخانه ها که مهم ترین منبع تغذیه ی آب پشت سدها است، جزء مهم ترین عوامل در زمینه ی پیش بینی آب های سطحی به شمار می رود. برای ارزیابی دقت شبیه های مختلف، از داده های رواناب13ایستگاه فاقد روند در حوضه ی آبریز دز استفاده شده است. در این تحقیق، به منظورشبیه سازی رواناب در حوضه ی آبریز دز، ازروش های شبکه عصبی مصنوعی، رگرسیون و استنتاج فازی استفاده گردید. نتایج شبیه سازی رواناب با کاربرد روش های ذکر شده با استفاده از شاخص های آماری R،RMSE و NSEارزیابی گردیدند. درحالت کلی نتایج حاکی از دقت قابل قبول هر سه روش می باشد. مقایسه بین مدل هایANN، ANFIS و SVR نشان داد هر چند که اختلاف در دقت مدل ها بسیار ناچیز است، می توان گفت هر سه مدل جواب قابل قبول و نزدیک به هم داشته اند. نتایج نشان می دهد که ANN و ANFIS با رویکرد کلاسترینگ به ترتیب با نش ساتکلیف 0.66 و 0.66 در دوره ی تست، توانایی بیشتری در شبیه سازی نسبت به دو مدل SVR و ANFIS با رویکرد شبکه بندی دارند.

کلیدواژه‌ها

عنوان مقاله [English]

Simulation and comparison of runoff estimation by neural network methods, regression and fuzzy inference(A case study:Dez catchment)

نویسندگان [English]

  • Ghazaleh Ahmadian AhmadAbad 1
  • Mahmoud Zakeri Niri 2

1 Master of Science Graduated Student. Engineering,Islamic Azad University,Branch of Eslamshahr,Tehran,Iran

2 Department of Civil Engineering, Islamshahr Branch, Islamic Azad University, Islamshahr, Iran

چکیده [English]

Due to prolonged droughts in the recent decades. The importance of predicting the flow rate of surface water in rivers for water resources management increases. In this regard the flow rates in the natural water ways. Which is the most important supplement source for water in dam storages. are considered as the most vital factors in predicting surface water. To evaluate the accuracy of different models have been used runoff data of thirteen stations without trend in dez catchment. In this study, artificial neural network, support vector regression and adaptive neuro-fuzzy inference system methods with clustering and grid partitioning approaches were used to the simulation of run-off in dez catchment. Simulation results of runoff using the mentioned methods were compared using the statistical indicators of R, RMSE and NSE. Comparison between ANN, ANFIS and SVR showed that although the difference in the accuracy of the models is very small. It can be said that all three models have acceptable answers. The results also show that the ANN and ANFIS with clustering approach models with NSE=0.66 and 0.66 respectively during the test period have the ability to simulate two models SVR and ANFIS with grid partitioning approach.

کلیدواژه‌ها [English]

  • Dez catchment
  • Artificial Neural Networks
  • Support Vctor Regression
  • Neural Fuzzy Inference System
1- حسن پور، ف وشیخعلی پور، ز.، 1393، مقایسه روش های هوش مصنوعی و ماسکینگهام در تخمین روند یابی سیلاب، مجله مهندسی منابع آب، سال7، شماره21، صفحات97تا108. 2- رستمی، ر.، صدقی، ح ومعتمدی، ع.، 1388، تحلیل سیلاب حوضه ی دز، مجله مهندسی آب، سال2، شماره3، صفحات61تا70. 3- قربانی، م.، ازانی،ع و محمودی وانعلیا، س.، 1394، مدل سازی بارش- رواناب با استفاده از مدل های هوشمند هیبریدی، تحقیقات منابع آب ایران، سال11، شماره2، صفحات146تا150. 4- یزدان پناه، ع.، وبرهمند، ن.، 1394، پیش بینی با کاربردشبیه تلفیقی شبکه ی عصبی مصنوعی و تجزیه موجکی ومقایسه نتایج با شبیه انفیس (مطالعه موردی:رودکر)، مجله مهندسی منابع آب، سال8، شماره26، صفحات23تا34. 5- صف شکن، ف.، پیرمرادیان، ن و افشین شریفیان، ر.، 1396، ارزیابی و مقایسه روش شبکه عصبی مصنوعی و نرم افزارHEC-HMS در شبیه سازی آبنمود بارش- رواناب در حوضه آبخیز معرف کسیلیان، مجله مهندسی منابع آب، سال10، شماره35، صفحات 71 تا 84. 6- سبحانی، ب.، عیسی زاده، م و شیرزاد، م.، 1396، شبیه سازی خود همبسته جریان حوضه آبریز زرینه رود با استفاده از روش تجزیه پروکراستس و مدل های شبکه عصبی مصنوعی و ماشین بردار پشتیبان، نشریه حفاظت منابع آب و خاک، سال6، شماره4، صفحات 134 تا 119. 7- شکفته، م، ر.، جلیلی قاضی زاده، م، ر و یزدی، ج.، 1399، تئوری شناسایی محدوده نشست در نواحی مجزای مجازی شبکه های توزیع آب با استفاده از شبکه ی عصبی مصنوعی، مجله تحقیقات منابع آب ایران، شماره3، صفحات 47 تا 62. 8.Badrzadeh, H., Sarukkalige, R. and Jayawardena, A.W., 2015. Hourly runoff forecasting for flood risk management: Application of various computational intelligence models. Journal of Hydrology, 529, pp.1633-1643. 9.Yaseen, Z.M., Jaafar, O., Deo, R.C., Kisi, O., Adamowski, J., Quilty, J. and El-Shafie, A., 2016. Stream-flow forecasting using extreme learning machines: a case study in a semi-arid region in Iraq. Journal of Hydrology, 542, pp.603-614. 10.Wang, W.C., Chau, K.W., Cheng, C.T. and Qiu, L., 2009. A comparison of performance of several artificial intelligence methods for forecasting monthly discharge time series. Journal of hydrology, 374(3-4), pp.294-306. 11.Nourani, V., 2017. An Emotional ANN (EANN) approach to modeling rainfall-runoff process. Journal of Hydrology, 544, pp.267-277. 12.Talei, A. and Chua, L.H., 2012. Influence of lag time on event-based rainfall–runoff modeling using the data driven approach. Journal of hydrology, 438, pp.223-233