ارزیابی قابلیت مدل سیستم استنتاجی فازی عصبی(ANFIS) در تخمین مقادیر بار معلق رسوبی و مقایسه آن با 2 نوع از مدل‌های شبکه‌ی عصبی مصنوعی مطالعه موردی: رودخانه زرینه‌‌رود، حوضه جنوب‌شرقی دریاچه ارومیه

نوع مقاله: مقاله پژوهشی

نویسندگان

چکیده

حوضه‌های جنوب شرقی دریاچه ارومیه به علت برخورداری از شرایط هیدرولوژیکی و لیتولوژیکی خواص، از میزان بالای تولید رسوب برخوردارند. با توجه به این نکته در این تحقیق برای تخمین بار معلق رسوبی روزانه از سیستم استنتاجی فازی عصبی([1]ANFIS) بهره گرفته شده است. به این منظور داده‌های دبی روزانه و بار معلق رسوبی365 روز سال 1386 و 1387 ایستگاه رسوبی واقع در رودخانه زرینه رود برای تعلیم و آزمودن مدل‌های شبکه عصبی مصنوعی مورد استفاده قرار گرفته است. در کنار این مدل از مدل‌های پرسپترون چندلایه([2]MLP)، شبکه عصبی تابع پایه شعاعی([3]RBF)و منحنی سنجه رسوبی ([4]SRC) نیز بهره گرفته شد. سپس نتایج مدل ANFISبا مدل‌های فوق مقایسه گردید. برای تعیین کارایی مدل‌ها از فاکتور مجذور میانگین مربعات خطا (RMSE)و خطای تبیین (R2)استفاده شده و مشاهده می‌شود که مدل ANFIS با برخورداری از خطای تبیین معادل 9087/0 و مجذور میانگین مربعات خطای معادل 224 میلیگرم در لیتر نسبت به سایر مدل‌ها به نتایج بهتری دست می‌یابد. کمترین میزان R2 و RMSEنیز برای مدل SRC به ترتیب معادل 8251/0 و 304 برآورد گردید. مقادیر آکائیک نیز برای مدل ANFIS معادل 1993 محاسبه شد که این امر نشان‌دهنده‌ی قابلیت بالای مدل ANFIS در تخمین بار معلق رسوبی می‌باشد.



[1]-Artificial neural fuzzy inference system


[2]-Multi layer perceptron


[3]-Radial basis function


[4]-Sediment rating curve

کلیدواژه‌ها


عنوان مقاله [English]

Assessing the Capability of Adaptive Neuro Fuzzy Interference System (ANFIS) in Estimating the Amount of Suspended Sediment Load and its Comparison with Two Models of Artificial Neutral Fuzzy Inference System Case study: Zarine rood, South east basin of Urmia Lake

نویسندگان [English]

  • Alimohamad Khorshiddoost
  • Mehdi Feyzolahpour
  • Sahar Sadrafshary
چکیده [English]

 
Load sediment transport in rivers is important according to their role in pollution, Reservoir filling, hydroelectric equipment life, Fish and other hydrological issues. Direct measurement of suspended sediment load in rivers is expensive and construction of measurement stations along the river is not possible. The equations used to estimate the sediment load are not applicable for all areas and also require long-term monitoring. In this study, to estimate daily sediment load, the Neural Fuzzy Inference System (ANFIS) is used. For this, daily discharge and suspended sediment load data of 365 days of years 2007 and 2009 of  Zarine rood located in the south east of Urmia Lake is used for training and testing the Artificial Neutral Fuzzy Inference System.   Southeast basin of Urmia Lake due to its hydrological and litologhical conditions have high rates of sediment production. ANFIS model is a nonlinear model and this is a great advantage. Note that the suspended sediment load also follows a linear relationship, so this model can achieve more accurate and more realistic results. This model of the multilayer Perceptron model (MLP), Neural networks, radial basis function (RBF), and sediment measures curve (SRC) has been used in these estimates. The results of ANFIS model is compared with the above models.
To determine the model efficiency, the mean square error factor (RMSE) and explanation error (R2) was used and it can be seen that the ANFIS model achieves better results than the other models

کلیدواژه‌ها [English]

  • Load sediment transport
  • ANFIS
  • MLP
  • GRNN
  • RBF
  • SRC
  • Zarine Rud River