شبیه سازی فرایند بارش- رواناب با استفاده از شبکه عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعه موردی: حوضه آبخیز خرم آباد)

مقدار دبی یا رواناب خروجی از یک حوضه آبخیز از اهمیت زیادی برخوردار است؛ زیرا کمبود آن ممکن است موجب خسارات مالی و مازاد آن به صورت سیلاب ممکن است موجب خسارات جانی و مالی شود. در این پژوهش با استفاده از شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل فازی عصبی تطبیقی (ANFIS) و روش رگرسیون چندمتغیره، فرایند بارش- رواناب به صورت روزانه در حوضه آبخیز خرم آباد شبیه سازی شد. برای ورودی ها از ترکیب های مختلف از ورودی های بارندگی همان روز، یک روز قبل و دو روز قبل استفاده شد. تابع عضویت ورودی های مدل ANFIS استفاده شده در این مطالعه، ذوزنقه ای، مثلثی، گوسی و گوسی نوع 2 است. مدل MLP به کار رفته با یک لایه پنهان و تعداد نورون های متغیر ارزیابی شد. نتایج نشان داد که مدل عصبی فازی تطبیقی (ANFIS) عملکرد بهتری از شبکه عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل رگرسیون چندمتغیره دارد. همچنین با افزایش تعداد ورودی ها و دخالت دادن بارندگی یک و دو روز قبل، عملکرد هر سه مدل بهتر می شود.