برآورد نرخ انتقال رسوب در رودخانه کرج با استفاده از روشهای داده محور(nf-gmdh)

رودخانه ها بعنوان یکی از اصلی ترین منابع در دسترس برای تامین آب شیرین همواره در طول تاریخ مورد توجه بشر قرار گرفته اند .معمولا انتقال جریان در مسیر رودخانه ها همراه با فرسایش و رسوبگذاری است. برآورد دقیق میزان انتقال بار رسوب در رودخانه ها و مخازن اهمیت زیادی در برنامه ریزی، طراحی، اجرا و نگهداری سازه های آبی دارد. استخراج روابط ریاضی حاکم بر پدیده انتقال رسوبات بسیار پیچیده است. برای شبیه سازی این چنین پدیده هایی، می توان از روشهای داده محور استفاده نمود. یکی از انواع این روشها، روش گروهی کنترل داده ها(gmdh) می باشد که یک رویکرد خودسازماندهی داده بوده و به عنوان روشی برای شناسایی روابط غیرخطی بین متغیرهای ورودی و خروجی به کار می رود. ترکیب روش gmdh با سیستم فازی منجر به تولید رویکردی نو به نام سیستم کنترل گروهی نرو-فازی داده ها (nf-gmdh) گردیده است. شبکه ارائه شده به علت ترکیب شبکه های عصبی و سیستم های فازی باعث شده نقاط ضعف دو ساختار تشکیل دهنده اش را کمرنگ تر نماید. در مطالعه حاضر مدلهایی جهت برآورد نرخ انتقال رسوب در سیستم رودخانه ای برمبنای روش های هوشمند و داده محور gmdh با دو تابع هدف و شبکهnf-gmdh در محیط نرم افزار matlab توسعه داده شده اند. مدلهای توسعه داده شده با سری زمانی آشوبی مکی گلاس صحت سنجی شده اند و سپس جهت اعتبارسنجی و کاربرد مدلهای توسعه داده شده از داده های دبی جریان و رسوب ایستگاه سیرا در رودخانه کرج مربوط به سالهای 1346 تا 1386 استفاده شده است. بررسی کارایی مدلها با استفاده از معیارهای آماری مجموع مطلق میانگین خطای نسبی(mpre)، مجموع مربعات خطای نسبی (msre)، انحراف نسبی (rb) و ضریب راندمان (ce) انجام شده است. مقایسه نتایج معیارهای آماری بدست آمده از اجرای هر سه کد با مدلهای مختلف نشان دهنده عملکرد بهتر الگوریتم gmdh با تابع غیر خطی نسبت به سایر الگوریتمها است. مقادیر پارامترهای آماری ce و شاخص پراکندگی(si) برای بهترین مدل این الگوریتم با ورودیهای (t-3)q(t-2)to(t)q and s)(t-1)to sکه دارای کمترین میزان خطای نسبی و بهترین پیش بینی بوده است به ترتیب 0/893و 0/86 میباشد. دقت پیش بینی الگوریتم gmdh با تابع خطی کمتر از تابع غیر خطی بوده است. مقادیر پارامترهای مورد اشاره برای بهترین مدل این الگوریتم با ورودیهای (s(t-1)to s(t-3),(t)q)به ترتیب 0/860و 1/166میباشند. و بهترین نتایج الگوریتم nf-gmdh مربوط به مدلی با ورودیهای (t)q), (t-1)q) , (t-2)s,(t-1)s)و ce و شاخص پراکندگی به ترتیب برابر با 0/896و1/653است.