مقایسه روش های هوش مصنوعی در برآورد بار معلق رسوب (مطالعه موردی: رودخانه سیستان)

برآورد صحیح حجم رسوبات معلق در رودخانه ها، یکی از مهم ترین مسائل در پروژه های مهندسی رودخانه، منابع آب و محیط زیست می باشد. رودخانه سیستان شاخه اصلی منشعب از رودخانه هیرمند بوده که وظیفه آبیاری 70 درصد زمین های کشاورزی دشت سیستان و همچنین تامین بخشی از آب هامون هیرمند را به عهده دارد. با توجه به مشکلات زیاد ناشی از رسوبات در رودخانه ها، محققین علم رسوب تلاش های زیادی به منظور دستیابی به روابط انتقال رسوب بر اساس مطالعات آزمایشگاهی و میدانی انجام داده اند. به دلیل کثرت پارامترهای دخیل در انتقال رسوبات و همچنین پیچیدگی فرآیند فرسایش و انتقال ذرات، اکثر روابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی دهند، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی باشند. کوبانار و همکاران (2008) توانایی روش نروفازی در تخمین غلطت رسوب معلق را با سه روش مختلف شبکه عصبی مصنوعی مقایسه کردند. نتایج مقایسه نشان داد که مدل های نروفازی برای مجموعه داده های این تحقیق نتایج بهتری نسبت به سایر مدل ها دارند (8). آیتک و کیشی (2008) مدلی ضمنی بر پایه برنامه ریزی ژنتیک توسعه دادند. نتایج تحقیق آن ها نشان داد که فرمول پیشنهادی برنامه ریزی ژنتیک نسبت به منحنی سنجه رسوب و رگرسیون چندخطی کاملا خوب بوده و کاربرد آن خیلی عملی است (3).

در سال های اخیر استفاده از سیستم های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رودخانه مرسوم گردیده است. در این پژوهش از سیستم های هوشمند شامل شبکه های عصبی مصنوعی، سیستم استنتاج تطبیقی عصبی- فازی و برنامه ریزی بیان ژن به منظور پیش بینی بار معلق رسوب رودخانه سیستان استفاده گردید. برای ارزیابی دقت مدل ها از شاخص های آماری میانگین مربعات خطا (RMSE)، خطای سوء گیری (MBE) و ضریب تعیین (R2) استفاده شد.

در میان روش های هوش مصنوعی سناریوی سوم سیستم استنتاج تطبیقی عصبی- فازی با مقدار خطای جذر میانگین مربعات 43/ 20983 و ضریب همبستگی 97/ 0 بهترین نتیجه را در برآورد بار معلق رسوب دارد. همچنین بین نتایج روش های هوشمند اختلاف معنی داری در سطح 95% وجود نداشته و با توجه به مقادیر خطا هر سه روش از دقت بالایی برخوردارند.

با توجه به نتایج به دست آمده در این تحقیق سه روش بکار رفته برای تخمین بار معلق رسوب مناسب می باشند اما روش برنامه ریزی بیان ژن به دلیل ارائه رابطه ریاضی برای مدل نسبت به دو مدل دیگر ارجح است. تاثیر چشمگیر استفاده از دبی کلاسه بندی شده در دقت تخمین بار معلق رسوب پرواضح است. با توجه به نتایج تحقیق پیشنهاد می گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش های هوش مصنوعی انجام شود.