برآورد دبی رودخانه با استفاده از شبکه‌های عصبی مصنوعی و نرم‌افزار NeuroSolutions: مطالعه موردی رودخانه زرینه رود میاندوآب

نوع مقاله: مقاله علمی-پژوهشی

نویسندگان

1 استادیار گروه عمران، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.

2 دانش‌آموخته کارشناسی ارشد گروه عمران، واحد ارومیه، دانشگاه آزاد اسلامی، ارومیه، ایران.

چکیده

برآورد دقیق دبی رودخانه‌ها یکی از مهمترین ارکان در مدیریت منابع آب‌های سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب، بروز خشکسالی، مصارف آشامیدنی، کشاورزی و صنعتی است. در این تحقیق جهت برآورد دبی رودخانه زرینه رود، از آمار و اطلاعات دبی روزانه رودخانه زرینه رود با طول دوره آماری 10 سال در محل ایستگاه ساری قمیش با استفاده از نرم‌افزار نروسولوشن استفاده شد. در این تحقیق 60 درصد داده‌ها برای آموزش، 20 درصد داده‌ها برای اعتبارسنجی و 20 درصد بقیه نیز برای تست مورد استفاده قرار گرفت. شبکه‌های گوناگون با مدل‌های مختلف عصبی پرسپترون چندلایه ، پیشخور عمومی و تابع پایه شعاعی مورد مقایسه قرار گرفت و نتایج بیانگر آن است که مدل‌ عصبی پرسپترون چندلایه با کمترین مقدار میانگین مربعات خطا بهترین مدل‌ عصبی بوده است. در این تحقیق چندین شبکه با توابع انتقال مختلف (TanhAxon، SigmoidAxon، LinearTanhAxon، LinearSigmoidAxon) مورد مقایسه قرار گرفت و نتایج بیانگر آنست که تابع انتقال LinearTanhAxon با کمترین مقدار میانگین مربعات خطا بهترین تابع انتقال بوده است. همچنین شبکه‌های با تعداد یک و دو لایه پنهان مورد مقایسه قرار گرفت و نتایج نشان داد که شبکه با یک لایه پنهان بهتر از شبکه با دو لایه پنهان بوده است.

کلیدواژه‌ها


[1]- فضل اولی ر.، آخوندعلی م.ع. و بهنیا ع.، 1385، تعیین روابط پیش‌بینی رواناب در حوضه‌های آبریز کوهستانی (مطالعه موردی، حوضه‌های آبریز معرف امامه و کسیلیان)، مجله علوم کشاورزی و منابع طبیعی،13(6)، ص 13-1.
[2]- Adamowski, J., Sun, K., 2010, Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds, Journal of Hydrology, 390(1–2), 85–91.
[3]- میثاقی، ف، 1382، توسعه الگوریتم ترکیبی زمین آمار و شبکه‌های عصبی مصنوعی به منظور استخراج توزیع مکانی بارندگی، پایان نامه کارشناسی ارشد کشاورزی، دانشگاه تربیت مدرس.
[4]- احمدی، ا.، 1382، طبقه‌بندی تغییرات بارش بوشهر و استفاده از شبکه‌های عصبی مصنوعی مبتنی بر مدل خودسازمانده کوهونن، پایان نامه کارشناسی ارشد، دانشگاه تربیت معلم تهران.
[5]- محمدی ی.، فتحی پ.، نجفی‌نژاد ع. و نوران، 1387، تخمین دبی متوسط ماهانه با استفاده از شبکه‌های عصبی مصنوعی (مطالعه موردی آبخیز قشلاق سنندج)، مجله علوم کشاورزی و منابع طبیعی، 15(4)،ص 268-258.
[6]- Alp, M., Cigizoglu, H. K., 2007, Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data, Environmental Modelling and Software, 22,
[7]-حسنپور کاشانی، م.، م. منتصری.، م.ع. لطف الهی یقین. و ا. حسنپور کاشانی، 1387، مقایسه عملکرد شبکه های عصبی MLP و Elman با نوع جدید مدل رگرسیون در پیش بینی سیل حوضه های فاقد آمار، چهارمین کنگره ملی مهندسی عمران. دانشگاه تهران.
[8]- نورانی، و. و ل. ملکانی، 1389، استفاده از سیستم فازی-عصبی تطبیقی در مدلسازی بارش، پنجمین کنگره ملی مهندسی عمران. دانشگاه فردوسی مشهد. اردیبهشت.
[9]- امیدوار، ک، اژدرپور، م.،1391، مقایسه شبکه عصبی مصنوعی و مدل HEC–HMS در برآورد بارش - رواناب در حوضه آبریز رودخانه اعظم هرات، فصلنامه تحقیقات جغرافیایی، سال27، شماره چهارم، زمستان، 107، ص18620 -18640.
[10]-دستورانی م.ت.، شریفی دارانی ح.، طالبی ع. و مقدم نیا، ع.،1390، کارایی شبکه های عصبی مصنوعی و سیستم استنتاج عصبی-فازی تطبیقی در مدل سازی بارش-رواناب در حوضه آبخیز سد زاینده رود، نشریه آب و فاضلاب، 22، 4. ص 114 - 125.
[11]- فتحیان، ح. و هرمزی نژاد، ا.، 1390، پیش بینی پارامترهای کمی و کیفی جریان در رودخانه کارون (بازه ملاثانی فارسیات) با استفاده از شبکه های عصبی مصنوعی، مجله تالاب، دانشگاه آزاد اسلامی واحد اهواز، دوم، هشتم، ص 29 - 43.
[12]- محمدی‌نژاد، م، فروزان، ف، مافی غلامی، ر، دایر، ا.، 1392، مدل‌سازی پارامترهای کیفی رودخانه گرگر با استفاده از Neurosolution، اولین همایش ملی بحران آب، دانشگاه آزاد اسلامی واحد خوراسگان (اصفهان)، 25 و 26 اردیبهشت ماه.
[13]- Dolling, O. R. and Varas, E. A., 2007, Artiffical neural networks for Steam flow perdiction, Journal of Hydrology Research, 40(5), 547-554.
[14]- Kisi, O., 2007, Streamflow Forecasting Using Different Artificial Neural Network Algorithms, Journal of Hydrology Engineering, 12, 5, 533-539.
[15]- Firat, M., 2008, Artificial Intelligence Techniques for river flow forecasting in the Seyhan River Catchment, Turkey, Hydrology and Earth System Sciences, 12, 123–139.
[16]- Chang, F. J. and Chang, Y. T., 2006, Adaptive neuro-fuzzy inference system for prediction of water level in reservoir, Advances in Water Resources., 20, 1-10.
[17]- Tayfur, G., and Singh, V. P., 2006, ANN and Fuzzy Logic for simulating event-baised rainfall-runoff, Journal of Hydrologic Engineering, ASCE, 132(12), 1321-1329.
[18]- Unal, B., Mamak, M., Seckin, G., and Cobaner, M., 2010, Comparison of an ANN approach with 1-D and 2-D methods for estimating discharge capacity of straight compound channels, Advances in Engineering Software, 41, 120-129.
[19]- Kuok, K. K., Harun, S., and Shamsuddin, S. M., 2010, Particle swarm optimization feedforward neural network for modeling runoff, International Journal of Environment Science Technology, 7(1), 67-78.
[20]- قبادیان، ر. و مشایخی، ح.، 1387، شبیه سازی پارامترهای کیفی آب رودخانه قره سو در محل ایستگاه قرباغستان با استفاده از شبکه عصبی مصنوعی، سومین کنفرانس مدیریت منابع آب، دانشگاه تبریز.
[21]- سلطانی، س، سرداری، س،شیخ پور، م، موسوی، ص.،1389، شبکه‌های عصبی مصنوعی، تهران، انتشارات نص، چاپ اول.