مقایسه روشهای شبکه های عصبی مصنوعی، فازی-عصبی تطبیقی و منحنی سنجه رسوب در برآورد رسوبات معلق رودخانه ها (مطالعه موردی: رودخانه آجی چای)

نوع مقاله: مقاله پژوهشی

نویسندگان

گروه مهندسی آب دانشگاه تبریز

چکیده

ارائه راهکاری مناسب جهت برآورد دقیق بار معلق رودخانهها در پروژههای آبی، مهندسی رودخانه و آبیاری
کاربردهای فراوانی دارد. به دلیل تأثیر پارامترهای مختلف بر انتقال رسوبات در رودخانهها، تعیین معادلات حاکم بر
آن مشکل بوده و مدلهای ریاضی نیز در این راستا از دقت کافی برخوردار نیستند. امروزه استفاده از سیستمهای
هوش مصنوعی به عنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. در تحقیق حاضر منطق فازی-
عصبی و شبکه های عصبی، برای تعیین میزان رسوبات معلق رودخانه آجیچای به کار برده شد و با استفاده از
دادههای دبی ،رسوب و اشل، مدلهای مذکور و منحنی سنجه رسوب تهیه گردید. همچنین دورههای آماری به سه
فصل تر، خشک و ذوب برف تقسیم شده و کلیه مدلها برای این سه دوره مورد آزمایش قرار گرفتند. نتایج حاصل از
این تحقیق نشان داد که منطق فازی-عصبی در مقایسه با شبکه های عصبی و منحنی سنجه از دقت بیشتری در
برآورد رسوبات معلق رودخانه برخوردار است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of Artificial Neural Networks, Adaptive Neuro-Fuzzy and Sediment Rating Curve Models for Estimating Suspended Sediment Load of Ajichay River

نویسندگان [English]

  • MM Moayeri
  • MR Nikpoor
  • A Hoseinzadeh Dalir
  • D Farsadizadeh
چکیده [English]

In water construction projects, river engineering, and irrigation and drainage engineering, it is vital
to estimate the accurate volume of the sediment transported by rivers. As the sediment transport
phenomenon is an immensely complex problem, therefore presenting an appropriate solution for
precise evaluation of the suspended load in rivers is tedious and the mathematical models are not
also accurate enough to be applied. Nowadays application of artificial intelligence systems has been
developed as a novel solution in analysis of water resources problems. In this research, the Adaptive
Neuro-Fuzzy Inference System (ANFIS) and the Artificial Neural Networks (ANNs) models were
utilized to determine suspended sediment rate of Ajichay River. Discharge, sediment load and water
level data were used to prepare the models and obtain sediment rating curves. The statistical period
is also divided into three seasons, namely dry, wet and snow melting. The accuracy of the models
for these periods has been tested. The results showed that ANFIS neuro-fuzzy had better accuracy
for determination of suspend sediment loads in comparison with both the ANNS and the rating
curve.

کلیدواژه‌ها [English]

  • adaptive neuro-fuzzy inference system (ANFIS)
  • Ajichay river
  • Artificial neural networks (ANNs)
  • Sediment rating curve
  • Suspend loads
یکتا الف و سلطانی ف، ۱۳۸۵ . تخمین رسوبات معلق رودخانهها با استفاده از مدلهای
۳۷۵ . هفتمین سمینار مهندسی رودخانه. دانشگاه شهید چمران اهواز، اهواز. - سنجه. صفحات ۳۸۴
Anonymous, 2007. Fuzzy Logic Toolbox for Use with MATLAB. User’s Guide, Version 2.
Ariffin J, Abdul Ghani A, Zakaria N and Shukri Yahya A, 2003. Sediment prediction using ANN
and regression approach. Pp 930-945. 1st International Conference on Managing Rivers in the
21st Century: Issues and Challenges.
Cigizoglu Hk, 2004. Estimation and forecasting of daily suspended sediment data by multi-layer
perceptrons. Advanced Water Resources. 27: 185–195.
Jang JSR, 1993. Anfis: adaptive-network-based fuzzy inference systems. Journal of IEEE
Transactions on System, Management and Cybernetics, 23: 665–685.
Jang JSR, Sun CT and Mizutani E, 1997. Neuro-Fuzzy and Soft Computing: A Computational
Approach to Learning and Machine Intelligance Upper Saddle River, New Jersey, Prentice
Hall, USA.
Kisi O, 2005. Suspended sediment estimation using neuro-fuzzy and neural network approaches.
Journal of Hydrological Sciences, IAHS Press, 50: 683-696.
Tayfur G, Ozdemir S and Singh VP, 2003. Fuzzy logic algorithm for runoff-induced sediment
transport from bare soil surfaces. Advanced Water Resource, 26: 1249–1256.