JOURNAL OF HYDROCARBONS MINES
AND ENVIRONMENTAL RESEARCH
__________________
|
©
Journal of Hydrocarbons Mines and Environmental Research, ISSN: 2107-6510,
Volume 3, Issue 2, December 2012, 14-22 __________________________________________________________________________________________________ |
Performance de l’Hybridation des Algorithmes
de l’Intelligence Artificielle aux Transformées en Ondelettes
et à la Logique Floue dans la prévision des
débits extrêmes
Mohamed Chettih * and Moussaab
Zakhrouf
Laboratoire Ressources en Eau, Sols et Environnement, Département
de Génie Civil, Faculté de Technologie, Université Amar
Telidji, Route de Ghardaia, BP 37G, 3000 Laghouat, Algeria
* corresponding author: m_chettih@yahoo.fr (M. Chettih)
Received: 15 December 2012 - Accepted: 7
May 2013 - Available online: 7 May 2013
Résumé: Les modèles
classiques de simulation pluie-débits fondés en général
sur des lois de comportement linéaires et stationnaires ne peuvent
rendre compte de la complexité du fonctionnement de ces systèmes. La
complexité des régimes hydrologiques requiert à recourir
souvent à des outils spécifiques des systèmes dynamiques
non-linéaires. A ce titre, nous proposons dans cette note des
modèles hybrides Neuro-Ondelettes et Neuro-Flous pour la prédiction
du débit d’un bassin saharien situé en zone aride d’Algérie.
Dans le premier modèle, les séries de pluies et de débits
sont décomposées en une succession d’Approximations et
de Détails à l’aide de la transformée en ondelettes
discrète et utilisées comme entrées dans un modèle à réseaux
de neurones artificiels. Ce type de modèle intègre les informations
obtenues par l’analyse en ondelettes dans un modèle représentant
un excellent outil de modélisation non-linéaire par apprentissage.
Le deuxième modèle correspond à un système à inférences
floues à réseaux de neurones adaptatifs. Le système à inférence
neuro-flou peut être considéré comme un réseau
de neurones non bouclé pour lequel chaque couche est un composant
d’un système neuro-flou. Les résultats obtenus sont très
encourageants, et peuvent être améliorés si on optimise
simultanément par Algorithme Génétique les fonctions
d’appartenance et les conclusions des règles floues.
Mots clés: Réseau
de neurones, neuro-ondelettes, neuro-flou, pluie-débit, prévision,
zones arides.
Performance of Artificial Intelligence Algorithm Hybridization to Wavelet Transforms and Fuzzy Logic in the forecast of extreme flow
Abstract: Traditional models
of rainfall-flow simulation based on general laws of linear and stationary
behaviour cannot account for the complexity of the functioning of these
systems. The complexity of hydrological regimes often required to use specific
tools of non-linear dynamical systems. To this end, we propose in this
paper Neuro-Fuzzy and Neuro-Wavelet hybrid models for predicting the flow
of a Saharan basin located in arid zones of Algeria. In the first model,
the series of rainfall and flows are decomposed into a succession of approximations
and details using the discrete wavelet transform and used as inputs in
a model of artificial neural networks. This type of model incorporates
the information obtained by the wavelet analysis in a model that represents
an excellent tool for non-linear modeling by training. The second model
corresponds to a fuzzy inference system for adaptive neural networks. The
neural network-based fuzzy inference system can be considered as an unlooped
neural network for which each layer is a component of a neuro-fuzzy system.
The results are very encouraging and can be improved if we optimize simultaneously
by genetic algorithm membership functions and fuzzy rules conclusions.
Keywords: Neural Network, Neuro-Wavelet, Neuro-Fuzzy,
Rainfall-Runoff, forecasting, arid zones.