آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 626 |
| تعداد مقالات | 6,517 |
| تعداد مشاهده مقاله | 8,745,671 |
| تعداد دریافت فایل اصل مقاله | 8,316,192 |
ارزیابی قابلیت مدل های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ای سیلاب | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 9، دوره 24، شماره 3، مرداد 1396، صفحه 149-166 اصل مقاله (1.05 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwfst.2017.11413.2581 | ||
| نویسندگان | ||
| حسن اسمعیلی گیساوندانی* 1؛ علی محمد آخوندعلی2؛ حیدر زارعی3؛ مهرداد تقیان4 | ||
| 1دانشجوی کارشناسی ارشد دانشکده علوم و مهندسی آب دانشگاه شهید چمران اهواز | ||
| 2استاد تمام دانشکده علوم و مهندسی آب دانشگاه شهید چمران اهواز | ||
| 3استادیار دانشکده علوم و مهنسی آب دانشگاه شهید چمران اهواز | ||
| 4استادیار دانشکده کشاورزی و منابع طبیعی رامین | ||
| چکیده | ||
| سابقه و هدف: توسعه روشهای برآورد فراوانی منطقه ای سیلاب در مناطق فاقد ایستگاه های اندازهگیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می باشد. ارزیابی فراوانی سیلاب در حوضه های فاقد ایستگاههای اندازه گیری، معمولاً توسط ایجاد روابط مناسب آماری (مدلها)بین سیلاب و ویژگیهای فیزیکی حوضه انجام می گیرد. تاکنون معادلات متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف از جمله حوضه کرخه ارایه شده ولی با توجه به پیچیدگی این پدیده، روابط موجود نتوانسته اند دبی سیلاب طراحی را با دقت مناسب شبیه سازی کنند. بر همین اساس در این پژوهش علاوه بر روش رگرسیونی که در گذشته استفاده می شد از مدل شبکه های عصبی مصنوعی (ANN) و همچنین سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) استفاده شده است این مدلها در واقع از نوع مدلهای جعبه سیاه هستند که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودیها را به خروجی ها (یاخروجی) تبدیل می نماید. این وضعیت در واقع مشابهت این مدلها را با روابط رگرسیونی میرساند، با این تفاوت که قابلیت انعطاف آنها در تنظیم وزنها بیشتر بوده و لذا به عنوان جایگزین برای رگرسیونهای چند متغیره استفاده میشود. مواد و روشها: منطقه مورد پژوهش، در نواحی غرب ایران قرار دارد که شامل 33 ایستگاه هیدرومتری همگن می باشد. از ایستگاههای همگن موجود،27 ایستگاه برای واسنجی(ایجاد مدل) و 6 ایستگاه برای صحت سنجی مدلهای ایجاد شده، مورد استفاده قرار گرفتند، برای حصول به مدل واحد، دوره بازگشت به عنوان عامل مستقل در مدل در نظر گرفته شد. یافته ها: برای دستیابی به بهترین ساختار شبکه عصبی مصنوعی و همچنین شبیه سازی در سیستم ANFIS از ترکیبات مختلف فیزیوگرافی به همراه دوره بازگشت به عنوان ورودی استفاده شد. برای بدست آوردن مهمترین عوامل ورودی در مدلها از تحلیل حساسیت در محیط نرم افزار SPSS استفاده شد، و بدین ترتیب مهمترین متغییرهای مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول آبراهه اصلی وشیب، در مدل ANN ساختارهای مختلف این ورودیها با یکدیگر مقایسه شدند با این توضیح که برای بهینه سازی وزنهای اتصال در بین لایه های مختلفANN از الگوریتم ژنتیک استفاده شده است. بدین ترتیب بهترین شبکه، پیشخور با ساختار 1-10- 5 با ضریب تعیین 0.95 انتخاب شد. و همچنین در سیستم ANFIS، با افزایش تعداد ورودیها در هر چهار تابع عضویت مثلثی، گوسی نوع 1، گوسی نوع 2 و ذوزنقه ای دقت شببیه سازی افزایش یافته به طوری که بهترین شبیه سازی در تابع مثلثی با RMSE=0.1514 و R^2=0.97که در آن تعداد قوانین 243 میباشد. در پایان با مقایسه مدلANFIS ، ANN و مدل رگرسیونی مشخص شد که مدل ANFIS در مقایسه با شبکه عصبی منتخب و مدل رگرسیونی به خصوص در دوره بازگشتهای زیاد از دقت بالاتری برخوردار است. نتیجه گیری:مدل رگرسیونی در زیر حوضه هایی که دبی سیلاب آنها در دوره بازگشتهای مختلف حدوداً کمتر از m3/s1000 باشد، ازمطابقت خوبی با دبی سیلاب واقعی برخوردار است همچنین مدل شبکه عصبی نیز در دبی های کم دقت خوبی دارند ولی از آنجا که مدل رگرسیونی قادرند پیشبینی های خود را در قالب فرمول ارایه کنند، نسبت به مدلهای ANN و ANFIS که اطلاعاتی در مورد روابط بین پارامترهای مسئله ارایه نمیدهند برای مهندسین راحتر میباشد ولی در مجموع از نظر دقت پیشبینی سیستم استنتاج فازی-عصبی تطبیقی(ANFIS) در تمام دوره بازگشتها، دبی سیلابشان از مطابقت بسیار بالایی با دبی سیلاب واقعی برخوردار بوده و میتوان به عنوان بهترین ابزار برای پیشبینی دبی سیلاب در دوره بازگشتهای مختلف در حوضه آبریز کرخه معرفی کرد. | ||
| کلیدواژه‌ها | ||
| تحلیل منطقه ای سیلاب؛ دبی سیلاب؛ ANFIS؛ ANN؛ مدل رگرسیون | ||
| مراجع | ||
|
1.Alizadeh, A. 2013. Applied hydrology. Ferdowsi University Press, 942p. (In Persian) 2.Alborzi, M. 2002. Introduction to Artificial Neural Networks. Amirkabir University of Technology. press, 137p. (InPersian) 3.Aziz, K., Rahman, A., Fang, G., and Shrestha, S. 2014. Application of artificial neural networks in regional flood frequency analysis: a case study for Australia, 28: 3. 541-554. 4.Boughton, W.C. 1984. Flood frequency characteristics of some Arizona watersheds. Water resources Bulletin. 20: 5. 761-769. 5.Chavoshi, S., and Eslamian, S. 1999. Regional flood frequency analysis in Zayandeh-Roud watershed using the Hybrid method. J. Sci. Technol. Agric. Natur. Resour. Water Soil Sci. 3: 3. 1-12. 6.Chiari, F. 2000. Predidtion of the Hydrologic Behavior of watershed using artificial neural network and Geographic information system. IEEE. 1: 1. 382-386. 7.Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y., and Wilby, R.L. 2006. Flood estimation at ungauged sites using artificial neural networks. J. Hydrol. 319: 4. 391-409. 8.Dayhoff, J.E. 1990. Neural Network Principles. Prentice-Hall International, U.S.A., 197p. 9.Dibike,Y.B., and Solomatine, D.P. 2001. River flow forecasting using artificial neural networks. Physics and Chemistry of the Earth. 26: 1. 1-7. 10.Dimitri, P., Solomatine., T., and Yunpeng Xue. 2004. M5 Model Trees and Neural Networks: Application to Flood Forecasting in the Upper Reach of the Huai River in China. J. Hydrol. Engin. 9: 6. 491-591. 11.Fausett, L. 1994. Fundamentals of Neural Networks Architectures Algorithms and Applications. Prentice-Hall Inc, New Jersey, 476p. 12.Heinz, D.F., and Stedinger, J.R. 1998. Using regional regression within index flood procedures and an empirical Bayesian estimator. J. Hydrol. 210: 4. 128-145. 13.Kurtulus, B., and Razack, M. 2010. Modeling daily discharge responses of a large karstic aquifer using soft computing methods: artificial neural network and neurofuzzy. J. Hydrol. 381: 3. 101-111. 14.Nassajian Zavareh, M.H., Vafakhah, M., and Telvari, A.R. 2011. Regional Flood Frequency Analysis in the Part of Large Central Watershed of Iran. Watershed Management Science and Engineering. 16: 2. 49-52. (In Persian) 15.Nourani, V., and Komasi, M. 2013. A geomorphology-based ANFIS model for multi-station modeling of rainfall-runoff process. J. Hydrol. 402: 3. 41-55. 16.Rasoulzadeh, A., Azartaj, E., and Farzi, P. 2014. Derivation and investigation of regional flood analysis models as a function of return period (Case study: Ardabil province). J. Water Soil Cons. 22: 4. 261-268. (In Persian) 17.Riad, S., and Mania, J. 2004. Rainfall Runoff Model Using an Artificial Neural Network Approach,Mathematical and Computer Modeling, Delft, Netherlands, 147p. 18.Ross, T.J. 1995. Fuzzy logic with engineering application. McGraw Hill Inc. USA. 585p. 19.Sadheer, K.P., Gosain, A.K., and Ramassastri, K.S. 2002. A data algorithm for consrusting artificial neural network rainfall-runoff models. J. Hydrol. 128: 16. 1325-1330. 20.Servati, M., and Ghanbari, A. 2007. Flood estimation for Larestan basin. Scientific - Research Quarterly of Geographical Data. Pp: 5-74. (In Persian) 21.Shafi, M., and Serzad, M. 2006. Regional Flood Analysis using Artificial Neural Network. second Water Resources Management Conference. 22.Shadmani, M., Marofi, S., Mohammadi, K., and Sabziparvar, A.A. 2011. Regional flood discharge modeling in Hamedan province using Artificial Neural Network. J. Water Soil Cons. 18: 4. 21-42. 23.Subramanya, K. Engineering hydrology. 2003. Mc Graw-Hill international edition, New York, 126p. 24.Solaimani, K., and Yoosofi, A. Investigation of the role of physiographic factors on investantaneous peak discharges in gorgan river sub basins for the regional flood modeling. J. Water Soil Cons. 22: 1. 164-171. (In Persian) 25.Tabari, H., Marofi, S., and Savziparvar, A. 2010. “Estimation of daily pan evaporation using artificial neural networks. J. Food Agric. Org. United Nations. 16: 1. 47-59. 26.The ministry of Energy. 2004. Atlas of Iranian National Water Resources. Deputy utilization and management of water resources Press. (In Persian) 27.Zare Abyaneh, H., and Bayat Varkeshi, M. 2011. Evaluation of artificial intelligent and empirical models in estimation of annual runoff. J. Water Soil. 25: 2. 365-379. (In Persian) | ||
|
آمار تعداد مشاهده مقاله: 1,034 تعداد دریافت فایل اصل مقاله: 1,719 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب