بررسی عدم‌قطعیت مدل‌های شبکۀ عصبی مصنوعی و عصبی فازی در پیش بینی رواناب حوضۀ رودخانۀ بشار

نوع مقاله : پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران، گرایش مدیریت منابع آب دانشگاه یاسوج

2 کارشناس ارشد، گروه مهندسی عمران، دانشکدۀ مهندسی عمران، دانشگاه یاسوج، یاسوج، ایران

3 دکترای علوم و مهندسی آب، شرکت آب منطقه ‏ای استان کهگیلویه و بویراحمد

4 دانشجوی دکتری، گروه مهندسی محیط ‏زیست، دانشگاه شهید بهشتی، تهران، ایران

چکیده

در این پژوهش، به‏ منظور انتخاب مدل مناسب به منظور پیش‏بینی رواناب در حوضۀ رودخانۀ بشار، از مدل‏های داده‌محور شبکۀ عصبی مصنوعی از نوع پرسپترون چندلایه و شبکۀ عصبی فازی از سیستم استنتاج فازی سوگنو، به روش خوشه‏بندی کاهشی استفاده شد و تحلیل عدم قطعیت این مدل‏ها مورد بررسی قرار گرفت. داده‏های مورد استفاده در این پژوهش، شامل مقادیر ماهانۀ بارندگی و دمای متوسط در ایستگاه‏های باران‏سنجی و آبدهی متوسط ماهانۀ رودخانۀ بشار در ایستگاه هیدرومتری واقع در این حوضه از سال 1358ـ 1359 تا 1397ـ 1398 است. نتایج حساسیت‌سنجی روی تعداد نرون‏های لایۀ میانی در شبکۀ عصبی نشان داد بهترین تعداد نرون لایۀ میانی برای ترکیب ورودی بهینه برابر 13 است. بر اساس شاخص جذر میانگین مربعات خطا (RMSE)، بهترین ترکیب متغیرهای ورودی برای شبیه‏سازی دبی رودخانه، در هر دو مدل شبکۀ عصبی و شبکۀ عصبی‌ـ فازی، ترکیب ورودی شامل دبی‏های متوسط رودخانه با یک ماه و دو ماه تأخیر به همراه مقادیر بارش ماهانه و بارش ماهانه با یک ماه و دو ماه تأخیر تعیین شد. به‏ منظور بررسی عدم قطعیت مدل‏ها، مدل‏های شبکۀ عصبی مصنوعی و عصبی‌ـ فازی در قالب یک نمونه‏گیری مونت‏کارلو به کار گرفته شدند. نتایج بررسی عدم قطعیت نشان داد به ازای متغیرهای ورودی تصادفی یکسان، میزان انحراف از معیار در خروجی مدل شبکۀ عصبی بیشتر از مدل شبکۀ عصبی فازی است. همچنین نتایج حاصل از محاسبۀ فاصلۀ اطمینان نشان می‏دهد بازۀ اطمینان برای مقادیر اطمینان مختلف، در شبکۀ عصبی فازی کوچک‏تر است، به ‏طوری ‏که در مدل شبکۀ عصبی با اطمینان 98 درصد خروجی در بازه (64/0 و 036/0) قرار دارد، اما در مدل عصبی‌ـ فازی با اطمینان 98 درصد، خروجی بین بازه (69/0 و 53/0) قرار دارد که نشان از عدم قطعیت بیشتر در نتایج مدل شبکۀ عصبی دارد.

کلیدواژه‌ها

موضوعات


[1].          Abbaszadeh H, Norouzi R, Süme V, Daneshfaraz R, Tarinejad R.Discharge coefficient of combined rectangular-triangular weirs using soft computing models. Journal of Hydraulic Structures, 2023, 98–110.
[2].          Hassanzadeh Y, Abbaszadeh H. Investigating Discharge Coefficient of Slide Gate-Sill Combination Using Expert Soft Computing Models, Journal of Hydraulic Structures,2023, 63–80.
[3].          Aqil M, Kita I, Yano A, Nishiyama, S. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool, Journal of environmental management, 2007, 215–223.
[4].          Eskandari A, Noori R, Vesali Naseh MR. Saeedi F. Uncertainty Evaluation of ANN and ANFIS Models in Inflow Forecasting into the Raees-Ali Delvari Dam,” Journal of Environmental Science and Technology, 2019, 31–47.
[5].          Nadiri AA, Yousefzadeh S. A Comparison of the Performance of Artificial Neural Network, Fuzzy Logic and Adaptive Neuro-Fuzzy Inference Systems Models in the Estimation of Aquifer Hydraulic Conductivity. A Case Study: Maraghe-Bonab Aquifer, Hydrogeomorphology, 2017, 21–40.
[6].          Razzaghzadeh Z, Nourani V, Behfar N. The conjunction of feature extraction method with AI-based ensemble statistical downscaling models, Amirkabir Journal of Civil Engineering, 2020.
[7].          Hassanzadeh Y, Moazamnia M, Sadeghfam S, Nadiri, A A. Hydraulic conductivity and uncertainty analysis of between-models and input data by using Bayesian model averaging of artificial intelligence model, Amirkabir Journal of Civil Engineering, 2020, 2171–2190.
[8].          Zeinalie M, golabi, M R, Niksokhan M H, Sharifi, M R. Modeling Daily River Flow Using Simulator Meta-Models (Case study: Gamasiab River), Journal of Environmental Science and Technology, 2020, 121–133.
[9].          Seifi, A, Ehteram, M, Singh, V P, Mosavi A. Modeling and uncertainty analysis of groundwater level using six evolutionary optimization algorithms hybridized with ANFIS, SVM, and ANN, Sustainability, 2020, 4023.
[10].        Riahi-Madvar H, Seifi A. Uncertainty analysis in bed load transport prediction of gravel bed rivers by ANN and ANFIS, Arabian Journal of Geosciences, 2018, 1–20.
[11].        Daneshfaraz R, Norouzi R, Ebadzadeh P, Di Francesco S, Abraham J P. Experimental study of geometric shape and size of sill effects on the hydraulic performance of sluice gates, Water, 2023, 314.
[12].        Abbaszade H, Norouzi R, Sume V, Kuriqi, Daneshfaraz R, Abraham J. Sill role effect on the flow characteristics (experimental and regression model analytical),” Fluids, 2023, 235.
دوره 10، شماره 4
دی 1402
صفحه 529-544
  • تاریخ دریافت: 02 مهر 1402
  • تاریخ بازنگری: 02 آبان 1402
  • تاریخ پذیرش: 02 آذر 1402
  • تاریخ اولین انتشار: 24 بهمن 1402
  • تاریخ انتشار: 25 اسفند 1402