بهار و تابستان 1402
برگشت به فهرست مقالات |
برگشت به فهرست نسخه ها
ارزیابی کارایی مدل هیدرولوژیکی IHACRES و شبکه عصبی مصنوعی به‌منظور پیش‌بینی جریان در رودخانه بختیاری
دانشگاه ملایر
چکیده: (26 مشاهده)
چکیده مبسوط
مقدمه و هدف: در سالهای اخیر پیش‌بینی جریان در رودخانه یکی از مسائل مهم و مورد توجه برای مدیریت منابع آب در ایران است. این پیش‌بینی نیازمند آمار و اطلاعات است که متأسفانه اغلب حوضه‌های کشور فاقد دادههای با کمیت و کیفیت مورد نظر می‌باشند. مدل‌سازی هیدرولوژیکی و استفاده از هوش مصنوعی از نمونه راهکارهایی است که برای برطرف کردن چالش عدم‌کفایت و عدم وجود دادههای باکیفیت مناسب در هیدرولوژی مورد استفاده قرار می‌گیرد. معیار انتخاب مدل مناسب برای این فرایند، ارزیابی عملکرد مدل‌ها با توجه به شرایط هیدرولوژیکی هر منطقه است.
مواد و روش‌ها: مدلهای که برای پیش‌بینی جریان رودخانه مورد استفاده قرار می‌گیرند در حال حاضر به دو دسته مدلهای فیزیکی و مدلهای داده محور تقسیم‌بندی می‌شوند. در این تحقیق از یک مدل فیزیکی IHACRES و شبکه عصبی مصنوعی به عنوان مدل داده محور برای پیش‌بینی جریان، در رودخانه بختیاری استفاده شد. از دادههای سالهای 1984 تا 1994 به‌عنوان دادههای مرحله واسنجی و از دادههای سالهای 1995 تا 2006 برای صحت سنجی مدل هیدرولوژیکی استفاده شد. همچنین از شبکه Dence با تعداد نرون‌های 10، 20، 50 و 100 استفاده شد. معیار بهینه‌سازی Adam برای بهبود روند آموزشی در نظر گرفته شد و تابع خطای استفاده‌شده MSE است و تابع فعال‌ساز به علت پیوسته بودن داده‌ها sgmoid انتخاب شد.
یافته‌ها: نتایج ارزیابی مدل هیدرولوژیکی و شبکه عصبی مصنوعی با استفاده از شاخص‌های کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا و میانگین مطلق مورد بررسی قرار گرفت و نتایج نشان داد شبکه عصبی مصنوعی در کلیه معیارهای ارزیابی، نتایج بهتری در شبیه‌سازی جریان روزانه نسبت به مدل هیدرولوژیکی دارد. مقادیر معیارهای ارزیابی کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا، میانگین مطلق خطا در مرحله اعتبار سنجی به ترتیب برای مدل هیدرولوژیکی و شبکه عصبی مصنوعی 74/0، 75/0، 77/0، 25/1، 7/0 و 94/0، 89/0، 89/0، 57/0، 26/ محاسبه شد.
نتیجه‌گیری: بر اساس نتایج روش‌های مورد استفاده در تحقیق روش شبکه عصبی مصنوعی نسبت به مدل هیدرولوژیکی IHACRES پیش‌بینی دقیق‌تری از جریان روزانه رودخانه بختیاری دارد. توانایی قابل قبول شبکه عصبی در شبیه‌سازی جریان¬های اوج علاوه بر شبیه‌سازی جریان روزانه از نتایج قابل‌توجه این تحقیق است.
مقدمه و هدف: در سالهای اخیر پیش‌بینی جریان در رودخانه یکی از مسائل مهم و مورد توجه برای مدیریت منابع آب در ایران است. این پیش‌بینی نیازمند آمار و اطلاعات است که متأسفانه اغلب حوضه‌های کشور فاقد دادههای با کمیت و کیفیت مورد نظر می‌باشند. مدل‌سازی هیدرولوژیکی و استفاده از هوش مصنوعی از نمونه راهکارهایی است که برای برطرف کردن چالش عدم‌کفایت و عدم وجود دادههای باکیفیت مناسب در هیدرولوژی مورد استفاده قرار می‌گیرد. معیار انتخاب مدل مناسب برای این فرایند، ارزیابی عملکرد مدل‌ها با توجه به شرایط هیدرولوژیکی هر منطقه است.
مواد و روش‌ها: مدلهای که برای پیش‌بینی جریان رودخانه مورد استفاده قرار می‌گیرند در حال حاضر به دو دسته مدلهای فیزیکی و مدلهای داده محور تقسیم‌بندی می‌شوند. در این تحقیق از یک مدل فیزیکی IHACRES و شبکه عصبی مصنوعی به عنوان مدل داده محور برای پیش‌بینی جریان، در رودخانه بختیاری استفاده شد. از دادههای سالهای 1984 تا 1994 به‌عنوان دادههای مرحله واسنجی و از دادههای سالهای 1995 تا 2006 برای صحت سنجی مدل هیدرولوژیکی استفاده شد. همچنین از شبکه Dence با تعداد نرون‌های 10، 20، 50 و 100 استفاده شد. معیار بهینه‌سازی Adam برای بهبود روند آموزشی در نظر گرفته شد و تابع خطای استفاده‌شده MSE است و تابع فعال‌ساز به علت پیوسته بودن داده‌ها sgmoid انتخاب شد.
یافته‌ها: نتایج ارزیابی مدل هیدرولوژیکی و شبکه عصبی مصنوعی با استفاده از شاخص‌های کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا و میانگین مطلق مورد بررسی قرار گرفت و نتایج نشان داد شبکه عصبی مصنوعی در کلیه معیارهای ارزیابی، نتایج بهتری در شبیه‌سازی جریان روزانه نسبت به مدل هیدرولوژیکی دارد. مقادیر معیارهای ارزیابی کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا، میانگین مطلق خطا در مرحله اعتبار سنجی به ترتیب برای مدل هیدرولوژیکی و شبکه عصبی مصنوعی 74/0، 75/0، 77/0، 25/1، 7/0 و 94/0، 89/0، 89/0، 57/0، 26/ محاسبه شد.
نتیجه‌گیری: بر اساس نتایج روش‌های مورد استفاده در تحقیق روش شبکه عصبی مصنوعی نسبت به مدل هیدرولوژیکی IHACRES پیش‌بینی دقیق‌تری از جریان روزانه رودخانه بختیاری دارد. توانایی قابل قبول شبکه عصبی در شبیه‌سازی جریان¬های اوج علاوه بر شبیه‌سازی جریان روزانه از نتایج قابل‌توجه این تحقیق است.
نوع مطالعه: پژوهشي |
موضوع مقاله:
هيدرولوژی
دریافت: 1401/6/23 | ویرایش نهایی: 1401/12/24 | پذیرش: 1401/8/17
دریافت: 1401/6/23 | ویرایش نهایی: 1401/12/24 | پذیرش: 1401/8/17
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
