پیش بینی بار کل رسوب با استفاده از هیبرید منطق فازی و روش گروهی مدیریت داده ها

رضا محمدپور ¹ ( هیئت علمی دانشگاه آزاد اسلامی واحد استهبان )
گوهر نوروزی ² ( دانشجوی دکتری رشته آب و سازه‌های هیدرولیکی دانشگاه آزاد اسلامی واحد استهبان )
زهرا قدم پور ³ ( استادیار دانشگاه آزاد اسلامی واحد استهبان )

تاریخ ارسال : 1403/03/09 تاریخ تایید : 1403/07/02

کلید واژه: منطق فازی, انتقال رسوب, پیش بینی, کشور مالزی,

چکیده مقاله :

تعیین بار کل رسوب رودخانه ها جهت طراحی سازه های هیدرولیکی و مدیریت منابع آب حائز اهمیت می باشد. نظر به این‌که فرایند انتقال رسوب پدیده‌ای پیچیده می باشد و اندازه ذرات رسوب دارای محدوده وسیع و از طرفی شکل بستر رودخانه تحت تاثیر جریان است دقت معادلات تجربی پیشنهاد شده پایین بوده، بنابراین استفاده از روش های هوشمند برای این‌گونه از مسائل قطعاً جواب بهتری خواهد داد. نوآوری این تحقیق استفاده از هیبرید فازی (FCM) و روش گروهی مدیریت داده ها (GMDH) جهت پیش بینی بار کل رسوب در رودخانه ها است. در این تحقیق تعداد 214 مجموعه داده از سه رودخانه استوایی جهت پیش بینی بار کل رسوب جمع آوری شده است. جهت ارزیابی روشهای یادگیری ماشین تعداد 4 سناریو انتخاب شده است. نتایج بدست آمده از روش ذکر شده با دو روش XGB و GMDH و همچنین نتایج محققان پیشین مقایسه شده است. نتایج نشان دادکه روش FCM-GMDH با مقادیر 0.75 = R2، 0.66=NASH ،0.00048=MAE دقت بالاتری نسبت به دو روش XGB و GMDH و همچنین روابط پیشینیان، در پیش بینی بار کل رسوب دارد. در پرتو این مطالعه می توان نتیجه گرفت که استفاده از روش FCM-GMDH در مسائلی که دارای پیچیدگی هستند بسیار مناسب می باشد و نتایج قابل اطمینانی را نسبت به بقیه روش ها دیگر ارائه می کنند.

چکیده انگلیسی :

Determining the total sediment load of rivers is important for designing hydraulic structures and managing water resources. Considering that the sediment transfer process is a complex phenomenon and the size of the sediment particles has a large area, and on the other hand, the flat shape is affected by the flow, so smart methods are used for this type. Important issues will be answered better. The innovation of this research is the use of a hybrid of two methods, Fuzzy Clustering Means (FCM) and Group Method of Data Handling (GMDH), for predicting the total sediment load in rivers. In this study, 214 data sets from three equatorial rivers have been collected for predicting the total sediment load. To evaluate machine learning methods, 4 scenarios have been selected. The results showed that FCM-GMDH methods predict the total sediment load with higher accuracy compared to the two methods XGB and GMDH and also previous relationships. The FCM-GMDH method, with values of R2 = 0.75, NASH = 0.66, MAE = 0.00048, has higher accuracy compared to other methods.