ارزيابي كارآيي مدل هاي هوش مصنوعي براي شبيه‌سازي تبخير در ايستگاه هاي منتخب با اقليم هاي خشك، نيمه‌خشك و بسيار مرطوب ايران

در اين تحقيق، مدل‌هاي شبيه‌سازي روزانه تبخير از تشت با استفاده از شبكه‌ عصبي پرسپترون چندلايه، تابع پايه شعاعي و يك رابطه تجربي بهينه‌سازي شده بر پايه الگوريتم ژنتيك، با 13 تركيب ورودي از متغيرهاي هواشناسي يعني ميانگين دماي روزانه، دماي بيشينه و كمينه، رطوبت نسبي، ساعات آفتابي و سرعت باد توسعه داده شد. اين مدل ها براي شبيه‌سازي تبخير در ايستگاه‌هاي سمنان، شاهرود و رشت با شرايط اقليمي خشك، نيمه‌خشك و بسيار‌مرطوب به كار گرفته شد. پس از ارزيابي كمي مدل ها، تركيب ورودي شامل دما، رطوبت نسبي، ساعات آفتابي و سرعت باد براي مدل هاي شبيه‌سازي تبخير، با ضريب همبستگي بين 0.56 تا 0.85، ريشه ميانگين مربعات خطا بين 1.1 تا 2.6 ميلي‌متر و پي‌باياس 1 تا 29.5 درصد، به عنوان تركيب ورودي برتر انتخاب شد. با انجام آناليز حساسيت مدل هاي توسعه داده شده، دما و سپس رطوبت نسبي، به عنوان متغيرهاي حساس براي شبيه‌سازي تبخير انتخاب شدند. همچنين رابطه تجربي بهينه‌سازي شده با تركيب ورودي برتر، توانايي بيشتري براي شبيه‌سازي مقادير ميانگين و انحراف‌معيار تبخير از خود نشان داد و اين مدل به عنوان مدل برتر انتخاب شد. در نهايت توانايي مدل برتر به همراه تركيب ورودي برتر در شبيه‌سازي تشت تبخير سه ايستگاه گرمسار (خشك)، دامغان (نيمه خشك) و رامسر (بسيار مرطوب)، با ضرايب همبستگي 0.6 تا 0.84، ريشه ميانگين مربعات خطا 1.29 تا 3.16 ميلي‌متر و پي‌باياس 2.1 تا 9.2 درصد، مورد تأييد قرار گرفت.