A neuro-fuzzy-based modelling approach for sediment transport computation

Abstract

The application of a data-driven adaptive neuro-fuzzy modelling technique for predicting bed load and total bed-material load for the River Rhine is summarized. Four main parameters affecting sediment transport are used to construct the model, using 560 and 510 measured bed load and total bed-material load data, respectively. Two-thirds of the available data sets are used for training and one third for testing. The initial fuzzy model is obtained by grid partitioning of the input variables. The optimization of the model is performed by data-driven tuning of the fuzzy model parameters using the adaptive neuro-fuzzy inference system, so that the model output is able to reproduce the measured value. A sensitivity analysis for the combination of input parameters, as well as the number and type of membership functions, is also performed. The model results show that the data-driven adaptive neuro-fuzzy modelling approach can be a powerful alternative technique for estimating both bed load and total bed-material load. Keywords data-driven; neuro-fuzzy model; optimization; prediction of sediment transport; sensitivity analysis Une approche de modélisation neuro-floue pour le calcul du transport de sédiments Résumé On résume ici l'application d'une technique de modélisation neuro-floue adaptative pilotée par les données pour estimer la charge de fond et la charge totale en matériaux du Rhin. Quatre paramètres principaux affectant le transport des sédiments ont été utilisés pour construire le modèle, en utilisant 560 et 510 données mesurant respectivement la charge de fond et la charge totale en matériaux. Les deux tiers des jeux de données disponibles ont été utilisés pour l'apprentissage et un tiers pour les tests. Le modèle flou initial est obtenu par séparation sur un maillage des variables d'entrée. L'optimisation du modèle est effectuée par un ajustement des paramètres du modèle flou piloté par les données, en utilisant le système d'inférence neuro-flou adaptatif, de telle sorte que la sortie du modèle soit capable de reproduire la valeur mesurée. On a également réalisé une analyse de sensibilité portant sur la combinaison des paramètres d'entrée, ainsi que sur le nombre et le type des fonctions d'appartenance. Les résultats du modèle montrent que l'approche de modélisation neuro-floue adaptative pilotée par les données peut être une technique alternative puissante pour estimer à la fois la charge de fond et la charge totale en matériaux. Mots clefs pilotage par les données; modèle neuro-flou; optimisation; estimation du transport des sédiments; analyse de sensibilité

Evaluation of four hydrological models for operational flood forecasting in a Canadian Prairie watershed

“…Few outliers can dominate the MARE. The MARE not only gives the average performance index in terms of predicting flow rates but also the distribution of the prediction errors (Wieprecht et al 2013).…”

Toward Urban Water Security: Broadening the Use of Machine Learning Methods for Mitigating Urban Water Hazards

“…These ANN predictions are often tested against domain models and theories. Tayfur, 2002;Lin and Montazeri Namin, 2005;Bhattacharya et al, 2007;Yang et al, 2009 Adaptive-network-based fuzzy inference system (ANFIS) Wieprecht et al (2013) demonstrated that the ANFIS approach could be a useful alternative technique for predicting both bedload and total bed-material load. Lin and Montazeri Namin (2005) found that the method can be used to model both uniform and non-uniform suspended sediment.…”

Procjena točnosti ANFIS-a u prognoziranju lebdećeg nanosa

“…Do sada je provedeno nekoliko istraživanja o primjeni ANFIS-a u predviđanju nanosa. U mnogim je istraživačkim radovima u tijeku dokazivanja koncepta primjene ANFIS-a utvrđeno da se taj model ponaša vrlo dobro u usporedbi s konvencionalnim modelima krivulja nanosa, te da uzima u obzir i složene nelinearne pojave [17][18][19]. Kisi i Shiri [20] usporedili su tehniku genetičkog programiranja (eng.…”