مدلسازی هوشمند سری زمانی جریان ماهانه حوضه رودخانه شور قروه با شبکه عصبی مصنوعی

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

دانشگاه شهید چمران

چکیده

پیش بینی دقیق جریان در رودخانه ها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه اتخاذ تدابیری مناسب در مواقع سیلاب و بروز خشکسالی هاست. در حقیقت حصول روشهای مناسب و دقیق در پیش بینی جریان رودخانه ها را می توان به عنوان یکی از چالشها در فرآیند مدیریت و مهندسی منابع آب دانست. در این پژوهش برای مدلسازی هوشمند سری زمانی جریان ماهانه از یک دوره ی آماری26ساله (1389-1364) استفاده شد. جهت دستیابی به بهترین ساختار شبکه عصبی مصنوعی، ساختارهای مختلف با یکدیگر مقایسه شدند با این توضیح که جهت بهینه سازی وزن های اتصال در بین لایه های مختلف شبکه-عصبی مصنوعی از الگوریتم ژنتیک استفاده شده است. قانون یادگیری مورد استفاده در این تحقیق از نوع یادگیری سریع، با تابع انتقال تانژانت اکسون، تابع هدف، میانگین مربعات خطا و نوع آموزش از نوع آموزش N مرتبه می باشد نتایج نشان می دهند که بهترین عملکرد مربوط به حالتی است که از ورودی های بارش هر ماه، جریان هر ماه و دمای هر ماه برای بدست آوردن جریان ماه آینده استفاده شده است. همچنین در هر مرحله که جریان یا بارندگی به تنهایی به عنوان ورودی وارد شد عملکرد شبکه کاهش یافت. نتیجه اینکه بیشترین حساسیت مربوط به جریان هرماه می باشد و پارامتر دما تأثیر چندانی بر برآورد جریان ندارد. نتایج حاصل با توجه به ضریب همبستگی0/84 نشان دهنده دقت نسبتاً بالای شبکه عصبی مصنوعی در برآورد و تخمین جریان ماهانه حوضه رودخانه شور بوده است.

کلیدواژه‌ها


عنوان مقاله [English]

Intelligent Modeling time series of monthly flow of basins Shor river of Qorveh with Artificial Neural Network

نویسندگان [English]

  • abazar solgi
  • Feridon radmanesh
  • kamran soltani
Shahid chamran university
چکیده [English]

Accurate prediction of the flow in the river is an important element in the management of surface water resources, especially by adopting appropriate measures in the event of flooding, and drought. In fact, ensuring proper and accurate methods for predicting the river flow can be considered as one of the challenges in management approach and water resources engineering. In this paper for Intelligent Modeling, time series of monthly flows of a 26 years period (1985-2011) were used. To achieve the best ANN structure, different structures were compared with those described for the optimization of weight connectivity between different layers of artificial neural networks, genetic algorithms was used.
Learning rule which used in current study is Quick Learning, with advection Tan Axon function, objective function, Mean Square Error and type of Training is N times training. The results show that the best performance is for a condition which monthly precipitation input data, monthly flow, monthly temperatures was used for obtaining next month flow. Also, at each stage that one of the flow data or rainfall data entered as one of the inputs data network performance declined. As result, highest sensitivity is for monthly flow and Temperature has little effect on the estimated flow.
The results of the correlation coefficient 0.84 Indicate high accuracy of artificial neural networks in the estimation of monthly flow in Shor river basin.

کلیدواژه‌ها [English]

  • " Intelligent Modeling"
  • "Artificial Neural Network"
  • " Shor river of Qorveh"
  • " Monthly Flow Prediction"