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.



Close Window