مدل سازی نروفازی سری زمانی بارش- رواناب ناورود

چکیده به منظور مدیریت مناسب یک حوضه آبخیز، شناخت ساختار، عملکرد و ارتباطات آن ضروری است. مهم‎ترین بخش از این شناخت مربوط به شناسایی ارتباطات ورودی‎ها و خروجی‎ها و نحوه عملکرد آن‎ها و ارائه مدلی جهت معرفی بارش و رواناب حوضه است. رابطه بارندگی‎–‎رواناب، یکی از پیچیده‏ترین فرآیند‏های هیدرولوژیکی است که درک آن از اهمیت زیادی در هیدرولوژی و منابع آب برخوردار است. نتایج مدل‏های آماری و رگرسیونی برای بررسی این پدیده غالباً با توجه به وابستگی به تابع حمایت‎کننده از مدل، با خطا همراه است. امروزه سیستم‏های هوشمند عصبی و عصبی‎–‎ فازی با توجه به توانایی در حل پدیده‏های غیر خطی و پیچیده با تکیه بر سامانه‎های هوشمند آموزش‎پذیر، کاربردهای فراوانی در مسائل مختلف مهندسی آب از جمله هیدرولوژی و مدل‎سازی بارش‎-‎رواناب پیدا کرده‏اند. در این تحقیق توانایی مدل‏های سری زمانی، رگرسیونی، انواع مدل‎های شبکه عصبی و شبکه عصبی- ‎فازی، جهت شبیه‏سازی فرآیند بارش‎–‎رواناب در حوضه آبخیز ناورود واقع در استان گیلان مورد بررسی قرار گرفت. مدل‎های شبکه عصبی mlp، rbf و gff (بیش از 50 معماری با انواع توابع محرک و الگوریتم‎های آموزشی) و مدل‎ عصبی – فازی anfis (بیش از 160 معماری با انواع توابع محرک، توابع عضویت، الگوریتم‎های آموزشی و مدل‎های فازی) با استفاده از نرم‎افزار neuro‎solution و به ترتیب 12 و 13 مدل سری زمانی برای داده‎های روزانه و ماهانه با استفاده از نرم‎افزار ‎statgraphicsx64 استفاده شدند. در نهایت نتایج نشان داد که برای داده‎های روزانه به ترتیب، مدل شبکه عصبی mlp با تابع محرک تانژانت هایپربولیک و الگوریتم لونبرگ مارکوارت، مدل anfis با تابع بایاس، الگوریتم لونبرگ مارکوارت، تابع عضویت زنگوله‎ای و مدل فازی تاکاگی سوگنو و سپس مدل سری زمانی (‎1،1،2‎‎‎arima (‎ کارایی بالاتری در مدل‎سازی بارش – رواناب نسبت به مدل gff، rbf و مدل رگرسیونی دارند. همچنین نتایج در مورد داده‎های ماهانه نشان داد که به ترتیب، مدل شبکه عصبی mlp با تابع محرک تانژانت هایپربولیک و الگوریتم لونبرگ مارکوارت، مدل anfis با تابع تانژانت، الگوریتم دلتا بار دلتا، تابع عضویت گوسی و مدل فازی تاکاگی سوگنو و سپس مدل rbf ‎کارایی بالاتری در مدل‎سازی بارش‎–‎رواناب نسبت به مدل gff، مدل رگرسیونی و سری زمانی (‎1،1،2‎‎‎arima(‎ دارند.