پیش بینی جریان ورودی به مخزن سد کمال صالح با استفاده از محاسبات نرم

پیش بینی جریان ورودی به مخازن سدها به منظور انجام برنامه ریزی و بهره برداری مناسب منابع آب لازم و ضروری است. در این تحقیق عملکرد دو مدل هوشمند شبکه های عصبی مصنوعی و سامانه استنتاج فازی- عصبی تطبیقی مبتنی بر روش دسته بندی تفریقی در پیش بینی جریان ورودی به سد کمال صالح در استان مرکزی مورد بررسی قرار گرفت. بدین منظور از داده های جریان و بارش در یک دوره آماری 31 ساله (1390- 1360) استفاده شد و پیش بینی جریان در گام های زمانی روزانه و ماهانه انجام شد. از مقادیر دبی جریان و بارش در گام های زمانی قبلی به عنوان الگوهای ورودی مدلها استفاده شد. عملکرد هر دو مدل در پیش بینی های روزانه و ماهانه جریان بر اساس مقادیر شاخصهای خطای R، RMSE و MAE بسیار مطلوب بود، هرچند عملکرد مدل فازی- عصبی بهتر از مدل شبکه های عصبی بود (کمتر از 3 درصد). استفاده از ضریب فصلی موجب بهبود عملکرد مدلها در پیش بینی های ماهانه شد. در ادامه، اثرات متغیرهای اقلیمی بزرگ مقیاس شامل شاخص نوسانات آتلانتیک شمالی و شاخص نوسانات جنوبی در پیش بینی های ماهانه حاصل از الگوی بهینه مدل برتر بخش قبل، مورد بررسی قرار گرفت. نتایج به دست آمده حاکی از آن بود که استفاده از شاخص های اقلیمی در ترکیب الگوهای ورودی، میتواند موجب بهبود عملکرد مدل در پیش بینی های جریان ورودی گردد. در این میان شاخص نوسانات جنوبی تاثیر بیشتری بر بهبود پیش بینی دبی جریان ماهانه داشت. به طوریکه، مقدار شاخص های آماری تحلیل خطای مدل فازی- عصبی شامل R، RMSE و MAE به ترتیب برابر 91/0، 56/3، 73/3 به دست آمدند که نشان دهنده توان افزایش دقت مدل با بهبود شاخص های خطا به ترتیب به میزان 11، 9 و 11 درصد می باشد.