ارزيابي مدل هاي هوش مصنوعي در تخمين دبي سيلاب

Evaluation of artificial intelligence in flood estimation

برآورد دبي اوج به عنوان يكي از مباحث اصلي در مديريت منابع آبي و سيلاب نقش اساسي در طراحي سازه هاي آبي و اقدامات بيومكانيكي در حوزه هاي آبخيز دارد، به طوري كه برآورد صحيح آن نقش اساسي در موفقيت كارهاي اجرايي دارد. در اين بررسي، سعي شده با استفاده از روش هاي هوش مصنوعي (شبكه عصبي MLP، تركيب شبكه عصبي MLP و شبكه SOFM، GRNN، تركيب خوشه بندي FCM و ANFIS) دبي بيشينه رودخانه يلفان در محل ايستگاه هيدرومتري برآورد شود. به اين منظور، در اين دو مدل هشت متغير كه شامل بارندگي مربوط به روز وقوع سيل، بارندگي هاي پنج روز قبل، دبي پايه در روز وقوع سيل و CN حوضه به عنوان پارامترهاي ورودي و دبي پيك به عنوان خروجي در نظر گرفته شده است. سپس، با استفاده از روش هوش مصنوعي و پيش پردازش داده ها، ساختار بهينه مدل ها با استفاده از داده هاي ورودي و خروجي و با ملاك قراردادن معيارهاي ارزيابي، به روش سعي و خطا تعيين شد. نتايج نشان داد كه شبكه عصبي پرسپترون چند لايه (MLP) عملكرد بهتري در برآورد دبي سيلاب نسبت به مدل تركيبي ANFIS+FCM، MLP+SOFM، GRNN در حوضه يلفان دارد.

Peak flow estimation is one of the major issues in water resources and flood management that have basic role in the design of hydraulic structures and biomechanics activities in basins. So that a proper assessment has a basic role in the success of administrative works. In this paper, using artificial intelligence methods (MLP Neural Network, the mixture of SOFM with MLP, the mixture of FCM with ANFIS) to estimate Yalfan River’s peak discharge in hydrometer local station. For these models, eight variables have been considered as the inputs that includes rainfall amount in the occurrence time of flood, rainfall of five days ago from occurrence of flood, curve number of the basin (CN), basic discharge and finally peak discharge are considered as the output. In the artificial intelligences after preprocessing of the data, the optimal structure of the models are determined with input and output data, evaluation criteria and trial and error. At the end, the MLP model had better performance compared to ANFIS+FCM, MLP+SOFM, GRNN models.