پيش‌بيني بار معلق رودخانه با استفاده از سامانه‌هاي هوشمند

Estimation of suspended sediment in rivers using artificial intelligence techniques

برآورد دقيق بار معلق رودخانه‌ها در طراحي و بهره‌برداري پروژه‌هاي آبي مهم است. تخمين ميزان رسوبات با روش‌هاي مرسوم مانند منحني سنجه نتايج دقيقي را دربر ندارد. در اين پژوهش مدل برنامه‌ريزي بيان ژن كه شكل توسعه يافته برنامه‌ريزي ژنتيك است، براي تخمين ميزان رسوبات معلق به كار گرفته شد. از نتايج حاصل از اين مدل با نتايج مدل‌هاي فازي- عصبي، شبكه‌هاي عصبي و منحني سنجه مقايسه شد. در اين راستا، داده‌هاي جريان رودخانه و رسوبات معلق در ايستگاه ونيار واقع بر روي رودخانه آجي‌چاي در استان آذربايجان شرقي استفاده شد. پارامترهاي آماري ريشه ميانگين مربعات خطا (RMSE) و ضريب تعيين (R2) براي ارزيابي دقت مدل‌ها استفاده شدند. نتايج حاصله نشان از عملكرد بهتر مدل برنامه‌ريزي بيان ژن در مقايسه با ساير مدل‌هاي مورد استفاده بود. براي داده‌هاي دوره آزمون اختلاف نسبي بين RMSE مدل برنامه‌ريزي بيان ژن با مدل‌هاي فازي- عصبي از نوع افراز شبكه، فازي- عصبي از نوع دسته‌بندي تفريقي، شبكه‌هاي عصبي و منحني سنجه به‌ترتيب برابر 8، 10، 13 و 21 درصد بود. همچنين به ازاي بهترين الگوي مورد استفاده در مدل، مقدار R2 براي مدل برنامه‌ريزي بيان ژن، فازي- عصبي از نوع افراز شبكه، فازي- عصبي از نوع دسته‌بندي تفريقي، شبكه‌هاي عصبي و منحني سنجه به‌ترتيب برابر 93/0، 84/0، 88/0، 86/0 و 81/0 به دست آمد.

Accurate estimation of suspended sediment in rivers is very important for designing and operation of water resources projects. Sediment estimation by conventional methods like rating curves don’t provide accurate results. In this paper, gene expression programming (GEP) model which is an extension of genetic programming (GP) technique, was used to estimate suspended sediment in the river. The GEP results were compared with those of the adaptive neuro-fuzzy, neural networks and rating curve models. In this regard, the streamflow and suspended sediment data from Vanyar station that located on Aji-chay river in East- Azarbaijan province are used. The root mean square errors (RMSE) and determination coefficient (R2) statistics were used to evaluate the accuracy of the models. The results showed that the GEP model had better performance than other considered models in estimating suspended sediment. The relative RMSE difference for the test period between GEP and ANFIS-Grid Partitioning, ANFIS-Sub Clustering, ANN and rating curve methods were 8, 10, 13 and 21%, respectively. The R2 values for GEP, ANFIS-Grid Partitioning, ANFIS-Sub Clustering, ANN and rating curve methods were 0.93, 0.84, 0.88, 0.86 and 0.81, respectively.