بررسی کارایی سیستم استنتاج فازی عصبی- تطبیقی در برآورد بار رسوب معلق رودخانه نازلوچای

رسوب معلق در انتقال آلودگی ها تاثیرگذار بوده و باعث بروز مشکلاتی در کیفیت آبهای سطحی میشود. مدل سازی و تخمین میزان رسوب دررودخانه نازلوچای در سه ایستگاه هیدرومتری آباجالوسفلی، تپیک و کریم آباد با به کارگیری مدل های شبکه عصبی چندلایه پرسپترون (MLP)،درخت تصمیم (K, DT) نزدیکترین همسایگی (KNN) و سامانه استنتاجی فازی عصبی تطبیقی (ANFIS) هدف اصلی پژوهش حاضر می-باشد. نتایج نشان میدهد که نوع تابع عضویت مثلثی، ذوزنقه ای و گوسین با تعداد توابع عضویت ۱ ، ۳ و ۲ به ترتیب در ایستگاه های آباجالوسفلی،تپیک و کریم آباد دارای بالاترین عملکرد با ضریب همبستگی ۹۰ / ۰ ، ۹۴ / ۰ و ۸۴ / ۰ جهت تخمین بار رسوب میباشد. همچنین، نتایج نشان میدهدکه در ایستگاه های مورد مطالعه به ترتیب مدل های DT, MLP, ANFIS و KNN دارای بهترین عملکرد جهت تخمین میزان بار رسوب دررودخانه نازلوچای می باشند. به طوریکه مدل ANFIS دارای کمترین میزان خطا و بیشترین مقادیر ضریب همبستگی و شاخص کارایی مدل بودهو در مقابل مدل KNN دارای بیشترین میزان خطا و کمترین ضریب همبستگی و شاخص کارایی میباشد. از طرفی نتایج حاکی از آن است کهچهار مدل هوشمند به کار گرفته شده عملکرد مناسب نسبت به روش تجربی منحنی سنجه در تخمین میزان رسوب در رودخانه نازلوچای را دارد.بنابراین، با روند رشد سریع جمعیت و به تبع آن گسترش مراکز شهری و صنعتی و نیز کاربری کشاورزی در اطراف رودخانه نازلوچای،درصورتیکه اقدامات جدی صورت نگیرد آلودگی و میزان رسوبات در مسیر رودخانه گسترش یافته و سلامت انسان و سایر موجودات را در طولرودخانه تهدید می کند.

کلیدواژه ها:

مدل سازی ، شبکه عصبی مصنوعی ، درخت تصمیم ، منحنی دبی سنجه