مقایسه الگوریتم‌های هوش مصنوعی در مدل سازی جریان روزانه رودخانه

محورهای موضوعی : منابع آب

معصومه زینعلی ¹ , سهیلا فرزی ² , محمدرضا گلابی ³ , فریدون رادمنش ⁴

1 - دانش آموخته کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی کرمانشاه.ایران
2 - دانش آموخته کارشناسی ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه، ایران،
3 - دانشجوی دکتری منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.ایران،
4 - دانشیار گروه مهندسی آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز.

تاریخ دریافت : 1396/09/21 تاریخ پذیرش : 1396/10/23 تاریخ انتشار : 1396/10/01

کلید واژه: مدل‌سازی جریان, مدل ANFIS, مدلBN, مدل SVM,

چکیده مقاله :

یکی از مهم ترین مسائل در مهندسی منابع آب، پیش‌بینی میزان دبی رودخانه‌ها، به عنوان یکی از منابع اصلی تأمین کننده آب بشر، می‌باشد که از نظر برنامه‌ریزی منابع آب دارای اهمیت است. استفاده از مدل‌های جدید در این زمینه می-تواند به مدیریت و برنامه‌ریزی صحیح کمک کند. در این مطالعه، به ارزیابی 3 مدل به نام‌های، شبکه عصبی – فازی (ANFIS)، شبکه بیزین(BN) و ماشین بردار پشتیبان (SVM) پرداخته شده است. داده‌های مورد استفاده برای این پژوهش، داده‌های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله (1391-1381) می‌باشد. نتایج نشانگر این بود که مدل شبکه عصبی– فازی(ANFIS) و ماشین بردار پشتیبان(SVM) تقریبا عملکرد یکسانی در مدل-سازی جریان روزانه رودخانه داشتند و نسبت به مدل شبکه بیزین کارایی بهتری داشتند.. علاوه بر این سرعت اجرای مدل SVM نسبت به بقیه مدلها بیشتر بود و در زمان کوتاهی قادر به ارائه نتایج بود.

چکیده انگلیسی:

One of the most important issues in water resources engineering is the prediction of river flow rates as one of the main sources of human water supply, which is important in terms of water resources planning. Using new models in this field can help to manage and plan correctly. In this study, we evaluated 3 models called Neural-Fuzzy Network (ANFIS), Busin Network (BN) and Backup Machine Vector (SVM). The data used for this research is precipitation data and daily flow of Gamasiab Nahavand River during a 10 year period (1381-1391). The results indicated that the neural-fuzzy network model (ANFIS) and backup vector machine (SVM) had almost the same performance in daily river flow modeling and had better performance than the network model. In addition, the speed of implementation of SVM model compared to the rest The models were bigger and were able to deliver results in a short time.