مقایسه‌ی روش‌های هوش مصنوعی و ماسکینگام در تخمین روندیابی سیلاب

محورهای موضوعی : برگرفته از پایان نامه

فرزاد حسن پور ¹ , زینب شیخعلی پور ²

1 - استادیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه زابل
2 - دانشجوی کارشناسی ارشد گروه مهندسی آب، دانشکده کشاورزی دانشگاه زابل

تاریخ دریافت : 1393/06/22 تاریخ پذیرش : 1393/06/22 تاریخ انتشار : 1393/06/01

کلید واژه: روندیابی سیلاب, شبکه‌ی عصبی مصنوعی, روش ماسکینگام, برنامه‌ریزی ژنتیک, سامانه‌ی استنتاج تطبیقی عصبی- ‌فازی,

چکیده مقاله :

روندیابی سیلاب به‌دلیل فراهم نمودن امکان پیش‌بینی چگونگی طغیان و فروکش کردن آن در رودخانه، یکی از مهمترین مسائل در مهندسی رودخانه است. از آن جا‌ی که سیلاب جریانی متغیر غیردایمی است، لذا روندیابی آن نیاز به داده‌های گسترده از رود‌ها و آمار دقیقی از ایستگاه­های آبسنجی دارد. روش ماسکینگام، به دلیل سادگی آن، دارای کاربرد بیش­تری در میان روش­های روندیابی سیلاب می‌باشد. از طرفی، استفاده از روش­های هوش مصنوعی در زمینه‌های مختلف مهندسی آب و شبیه‌سازی در حوضه‌های آبخیز طی دهه اخیر رشد چشمگیری داشته است. در این پژوهش، برای روندیابی سیلاب با استفاده از روش­های ماسکینگام، شبکه‌ی عصبی‌ مصنوعی، سامانه استنتاج تطبیقی عصبی- فازی، و برنامه‌ریزی ژنتیک از داده‌های ویلسون، ویو و همکاران، و ویس‌من و لویس در سه رود مختلف استفاده گردید. نتایج شبیه‌سازی روندیابی سیلاب با کاربرد روش­های ذکر شده با استفاده از شاخص­های آماری R²، RMSE و MBE ارزیابی گردیدند. نتایج این تحقیق نشان دادند که روش­های هوش مصنوعی‌، به‌دلیل برخورداری از RMSE کمتر نسبت به روش ماسکینگام، برتری دارند، که این مقدار برای روش­های هوش مصنوعی 00174/0، و برای روش ماسکینگام 727/28 به دست آمد، بنابراین، روش ماسکینگام در شبیه‌سازی آب نگار سیلاب با بده‌ی اوج پرشمار موفق نبوده است. با وجود اندک تفاوت در دقت تخمین و مقادیر خطا در شبیه‌ها، شبکه‌های عصبی مصنوعی با مقادیر R²،  RMSE و MBE مناسبتر در رده‌ی اول، و سامانه‌ی استنتاج تطبیقی عصبی- فازی و برنامه‌ریزی ژنتیک به ترتیب در رده‌های دوم و سوم قرار می‌گیرند. با توجه به سهولت کاربرد و نتایج خوب روش­های هوش مصنوعی، پیشنهاد می‌شود تحقیقات بیش­تری در این زمینه صورت پذیرد.

چکیده انگلیسی:

Flood routing is one of the most important issues in river engineering because of prediction of the ascent and descent of flood hydrograph. As flood is a variable and unsteady flow, its routing requires accurate and detailed data collection at hydrometry stations. The Muskingum models very offer a useful procedure among the flood routing methods. Moreover, application of the artificial intelligence methods have grown substantially in the different water engineering and watershed modeling endeavors in recent decades. In the present study, the data collected by Wilson, Wu et al., and veiss man Jr. and Lewis for three different rivers in the U.S.A were used for the flood routing processes using the Muskingum, artificial neural network, adaptive neuro-fuzzy inference system, and genetic programming. Simulation results of flood routing process using the mentioned methods were compared using the statistical indicators of R², RMSE and MBE. The results indicated that the artificial intelligence methods were superior to the Muskingum method due to their lower RMSE. The RMSE value for the artificial intelligence techniques was 0.00174 and for the Muskingum method it was 28.727. The Muskingum method was not successful in flood hydrograph simulation with multi peaks.  Despite the slight differences in accuracy estimation and error values ​​in the models, the artificial neural networks proved their superiority with the highest R², and lowest RMSE and MBE. The adaptive neuro-fuzzy inference system and genetics programming were placed in next levels. Based on the ease of use and more accurate results, the use of artificial intelligence methods is recommended for further studies in this region.