محمود اکبری

برآورد بار رسوب رودخانه‌ها از مسائل مهم و کاربردی در مطالعات و طراحی پروژه‌های مهندسی آب مانند طراحی و توسعه شبکه‌های آبیاری و زهکشی، آبگیری از رودخانه و ... است. مدل‌های آماری و رگرسیونی از معمول‌ترین روش‌های تحلیل می‌باشند که اغلب با توجه به حل خطی این پدیده‌ها، نتایجی همراه با خطا ارائه داده‌اند. از این رو نمی‌توانند پدیده رسوب را با دقت قابل قبولی مدل کنند. مدل‌های هیدرولیکی با توجه به نیاز به داده‌های زیاد و گاهی در دسترس نبودن داده‌های مورد نیاز و دقیق نبودن داده‌ها به دلیل خطای انسانی برای شبیه‌سازی رسوبات، همیشه نمی‌توان به آن‌ها اعتماد کرد. امروزه سیستم هادی هوشمند فازی و عصبی با توجه به توانایی در حل پدیده‌های غیرخطی و پیچیده، کاربردهای فراوانی در مسائل مختلف مهندسی آب از جمله رسوب پیدا کرده‌اند، هدف از این پژوهش ارزیابی و مقایسه چهار روش مدل‌های فازی- عصبی تطبیقی (ANFIS)، ماشین بردار پشتیبان (SVM) و برنامه‌ریزی بیان ژن (GEP) و روش گروهی کنترل داده‌ ها GMD در برآورد بار رسوب ایستگاه حسن‌آباد رودخانه‌ تیره استان مرکزی می‌باشد. بدین منظور عملکرد سه نوع مدل ماشین بردار پشتیبان (SVM)، سیستم عصبی فازی-تطبیقی (ANFIS) و برنامه‌ریزی بیان ژن (GEP) در شبیه‌سازی بار رسوبی رودخانه‌ها پرداخته، سپس نتایج سه روش با یکدیگر و با نتایج منحنی سنجه مورد مقایسه قرار گرفت. نتایج بیانگر عملکرد قابل قبول مدل‌ها نسبت به منحنی سنجه می‌باشد. همچنین نتایج برتری مدل (GEP) با بیشترین ضریب تعیین R2 با مقدار99/0 و کمترین ریشه میانگین مربعات خطا RMSE بر حسب تن در روز با مقدار 010/0 نشان داد. در این خصوص کارآیی مدل(SVM) تا حدی بهتر از مدل (ANFIS) بود. در مرحله بعد از بهترین الگوی انتخابی مدل‌های (ANFIS)، (SVM) و (GEP) به عنوان ورودی مدل GMD استفاده شد. نتایج بیانگر عملکرد قابل قبول مدل GMD با بیشترین ضریب تعیین R2 برابر 99/0 و 98/0 و کمترین ریشه میانگین مربعات خطا به ترتیب برابر 0038/0 و 0045/ تن در روز شد. نتایج به دست آمده نشان داد هر چهار روش داده‌کاوی بررسی شده به مراتب نتایج بهتری نسبت به منحنی سنجه رسوب ارائه می‌کننند.