تحليل دقت و عدم قطعيت مدل‌هاي هوشمند در پيش بيني ضريب انتشار طولي رودخانه ها

Accuracy and Uncertainty Analysis of Intelligent Techniques for Predicting the Longitudinal Dispersion Coefficient in Rivers

پيش‌بيني دقيق ضريب انتشار طولي در رودخانه‌هاي طبيعي تا حد بسيار زيادي در تعيين توزيع غلظت آلاينده‌ها در چنين محيط‌هايي موثر است. عدم قطعيت موجود در نتايج به‌دست آمده از مدل‌هاي پيش‌بيني مي‌تواند در تصميم‌گيري‌هاي مناسب براي برخورد با مواد آلاينده در رودخانه‌ها تاثير منفي داشته باشد. به‌همين دليل، تحليل و تعيين عدم قطعيت مدل‌هاي مورد استفاده براي پيش‌بيني اين پارامتر بسيار مفيد است. در اين تحقيق با توجه به اهميت اين امر، با استفاده از مدل‌هاي شبكه عصبي (ANN) و نروفازي تطبيقي (ANFIS)، ابتدا مدل مناسب براي پيش‌بيني ضريب انتشار طولي در رودخانه‌هاي طبيعي ارايه گرديد و در ادامه تحليل عدم قطعيت دو مدل مذكور بر مبناي روش مونت-كارلو انجام شد. براي اين منظور از اطلاعات هيدروليكي و هندسه جريان استفاده گرديد. نتايج اين تحقيق بيانگر اين مطلب بود كه اگرچه مدل ANN در پيش‌بيني ضريب انتشار طولي داراي عملكرد خوبي است، اما نتايج اين مدل با عدم قطعيت زيادي همراه است. با مقايسه نتايج به‌دست آمده از تحليل عدم قطعيت دو مدل ANN و ANFIS مشخص گرديد كه مدلANFIS نسبت به مدل ANN از عدم قطعيت كمتري برخوردار است و از اين لحاظ بر مدل ANN برتري دارد.

Accurate prediction of longitudinal dispersion coefficient (LDC) can be useful for the determination of pollutants concentration distribution in natural rivers. However, the uncertainty associated with the results obtained from forecasting models has a negative effect on pollutant management in water resources. In this research, appropriate models are first developed using ANN and ANFIS techniques to predict the LDC in natural streams. Then, an uncertainty analysis is performed for ANN and ANFIS models based on Monte-Carlo simulation. The input parameters of the models are related to hydraulic variables and stream geometry. Results indicate that ANN is a suitable model for predicting the LDC, but it is also associated with a high level of uncertainty. However, results of uncertainty analysis show that ANFIS model has less uncertainty; i.e. it is the best model for forecasting satisfactorily the LDC in natural streams.